Bộ dữ liệu phép cộng giúp AI hiểu phép toán cộng trong toán học

Bộ dữ liệu này chứa các dữ liệu giả định đại diện cho thói quen chi tiêu của 1000 sinh viên thuộc các nhóm nhân khẩu học và nền tảng học thuật khác nhau. Dữ liệu bao gồm các thông tin như tuổi, giới tính, năm học, chuyên ngành, thu nhập hàng tháng, trợ cấp tài chính nhận được, và chi tiêu trong các hạng mục chi tiêu khác nhau. Các hạng mục chi tiêu bao gồm học phí, nhà ở, thực phẩm, phương tiện đi lại, sách vở và dụng cụ học tập, giải trí, chăm sóc cá nhân, công nghệ, sức khỏe và sự khỏe mạnh,...

Bộ dữ liệu này chứa thông tin về sinh viên ngành khoa học máy tính từ một trường đại học giả định. Nó bao gồm các thuộc tính như Mã sinh viên, Tên, Giới tính, Tuổi, Điểm trung bình (GPA), Ngành học, Lĩnh vực quan tâm, Các dự án đã thực hiện, và kỹ năng trong Python, SQL, và Java. Bộ dữ liệu nhằm cung cấp những hiểu biết sâu sắc về thành tích học tập, nguyện vọng nghề nghiệp và kỹ năng kỹ thuật của sinh viên trong lĩnh vực khoa học máy tính.Bộ dữ liệu này phù hợp cho các tác vụ như mô hình dự...

Bộ dữ liệu này chứa thông tin về 1000 bài viết hàng đầu từ ba cộng đồng Reddit phổ biến liên quan đến khoa học dữ liệu, bao gồm Machine Learning (Học Máy), Artificial Intelligence (Trí Tuệ Nhân Tạo) và Data Science (Khoa Học Dữ Liệu). Ngoài ra, bộ dữ liệu còn bao gồm tất cả các bình luận trên những bài viết đó. Bộ dữ liệu được thu thập thông qua API của Reddit và chứa các bình luận của bài viết hàng đầu mọi thời đại.

Đây là một bộ dữ liệu phát hiện xâm nhập dành cho học thuật. Toàn bộ nội dung thuộc về các tác giả gốc: Tiến sĩ Nour Moustafa và Tiến sĩ Jill Slay. Các trích dẫn bài báo gốc của họ và tất cả các bài viết phù hợp khác được liệt kê trên trang UNSW-NB15.Bộ dữ liệu đầy đủ cũng cung cấp các tệp pcap, BRO, và Argus cùng với tài liệu bổ sung.Các phiên bản của bộ dữ liệu:V1: Các tệp CSV gốc được lấy từ nguồn gốc.V2: Đã làm sạch và chuyển đổi sang định dạng parquet.V3: Tổ chức lại để tiết kiệm dung...

Đây là bộ dữ liệu toàn diện về hình ảnh X-quang đã được tạo ra để phát hiện gãy xương, đặc biệt thiết kế cho các dự án thị giác máy tính. Mục tiêu chính của bộ dữ liệu này là hỗ trợ trong việc phát triển và đánh giá các thuật toán phát hiện gãy xương tự động.Bộ dữ liệu bao gồm các hình ảnh được phân loại thành các nhóm khác nhau, mỗi nhóm đại diện cho một loại gãy xương cụ thể. Các nhóm này bao gồm: gãy khuỷu tay (Elbow Positive), gãy ngón tay (Fingers Positive), gãy xương cẳng tay (Forearm...

Bộ dữ liệu này bao gồm các cột sau:Tháng: thời gian (dưới định dạng năm-tháng) khi dữ liệu được ghi nhận.Python Worldwide(%): Tỷ lệ phổ biến toàn cầu của Python trong tháng đó.JavaScript Worldwide(%): Tỷ lệ phổ biến toàn cầu của JavaScript.Java Worldwide(%): Tỷ lệ phổ biến toàn cầu của Java.C# Worldwide(%): Tỷ lệ phổ biến toàn cầu của C#.PhP Worldwide(%): Tỷ lệ phổ biến toàn cầu của PhP.Flutter Worldwide(%): Tỷ lệ phổ biến toàn cầu của Flutter.React Worldwide(%): Tỷ lệ phổ biến toàn cầu của...