Datasets are a very important part of artificial intelligence. They are used to train models that will predict a result for a corresponding input. On the other hand, they are important for comparing methods since they share the same conditions.
Omar del Tejo Catalá. (2023).
Conjunto de datos para estimación de pose y domain adaptation.
Kaggle, 54 Mb.
https://doi.org/10.34740/kaggle/ds/2947388
Conjunto de datos para estimación de pose y domain adaptation.
Kaggle, 54 Mb.
https://doi.org/10.34740/kaggle/ds/2947388
Andrés Larroza, Francisco Javier Pérez-Benito, Rafael Llobet Azpitarte. (2022).
Conjunto de datos con las máscaras de tejido denso del dataset INBreast.
Kaggle, 13 MiB.
https://doi.org/10.34740/kaggle/ds/2207184
Conjunto de datos con las máscaras de tejido denso del dataset INBreast.
Kaggle, 13 MiB.
https://doi.org/10.34740/kaggle/ds/2207184
François Signol, Laura Arnal Benedicto, Joaquim Arlandis Navarro, Rafael Llobet Azpitarte, Juan Carlos Pérez Cortés, José Ramón Navarro Cerdán. (2022).
Conjunto de datos para experimentación con identificación de variables relevantes.
Kaggle, 10 MiB.
https://doi.org/10.34740/kaggle/ds/1917990
Conjunto de datos para experimentación con identificación de variables relevantes.
Kaggle, 10 MiB.
https://doi.org/10.34740/kaggle/ds/1917990
Omar del Tejo Catalá. (2022).
Conjunto de datos para estimación de pose.
Kaggle, 11GiB.
https://doi.org/10.34740/kaggle/dsv/2661145
Conjunto de datos para estimación de pose.
Kaggle, 11GiB.
https://doi.org/10.34740/kaggle/dsv/2661145
Javier Pérez Soler, Omar del Tejo Catalá, Pau Garrigues Carbó, Ismael Salvador Igual. (2020).
Conjunto de datos de anomalías en madera.
Kaggle, 613 Mib.
https://doi.org/10.34740/kaggle/dsv/2243629
Conjunto de datos de anomalías en madera.
Kaggle, 613 Mib.
https://doi.org/10.34740/kaggle/dsv/2243629