{
  "fetched_at": "2026-10-20T05:40:44Z",
  "source_url": "https://www.kaggle.com/competitions/2024-nh-data-science-first-competition/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Train Data\n- train.csv 파일 내의 데이터를 통해 모델을 훈련할 수 있습니다.\n- 'quality' 컬럼이 라벨이고, 이외 컬럼이 데이터입니다.\n\n## Test Data\n- 훈련한 머신러닝 모델을 기반으로 test.csv 내의 데이터를 분류하여 결과를 생성하시면 됩니다.\n- 테스트 데이터의 결과는 제공되지 않으며, 리더보드에 업로드 시 채점되어 순위가 매겨집니다.\n- 본 데이터는 어떠한 방식으로도 훈련에 활용될 수 없습니다.\n\n## submission-example.csv\n- 실제 리더보드에 제출하는 양식입니다.\n- 해당 양식대로 제출해야 하며, 이를 지키지 않으면 정확도가 다르게 채점될 수 있습니다. (Id를 꼭 맞춰주세요!)\n\n## Summary\n- **[train.csv]**: 본인이 구현한 모델을 학습 및 평가할 수 있는 데이터셋입니다. 라벨(quality)이 포함되어 있습니다.\n- **[test.csv]**: prediction을 뽑아 제출용 csv 파일을  만들 데이터셋입니다. 라벨이 포함되어 있지 않습니다.\n- **[sample_submissiom.csv]**: Kaggle에 submission csv 파일을 제출하기 위한 템플릿입니다. 이와 같은 형태로 만들어 제출하시면 정확도가 산출되어 리더보드에 순위가 등록됩니다. 이와 다른 형태로 submission 파일을 작성할 경우 정확도가 제대로 계산되지 않으므로 주의해주세요. test data에 있는 Id 순서에 맞게 모델의 예측값을 정렬해서 제출하시고, Id는 데이터 순서에 따라 0~N까지의 숫자를 입력하시면 됩니다.\n- **[제출 시 유의사항]**: submission하시는 csv 파일의 quality 열에 들어가는 값은 꼭 **정수**여야 합니다. 정수가 아닐 경우, 채점이 제대로 진행되지 않습니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "NH 농협 데이터사이언스 과정의 첫 번째 Kaggle Competition 페이지입니다.\n\n## Wine Quality 분류하기\n- Task: 현재까지 배운 Naïve Bayes, SVM, Tree Algorithm을 활용하여 와인 데이터셋의 quality를 분류\n- **높은 순위를 달성한 팀에게는 상품이 주어지니, 가장 높은 순위를 획득하기 위하여 노력해주세요🚀**\n- 상위권에 있는 팀에게는 해당 팀에서 활용한 데이터 분석 방법 및 사용된 모델에 대해 발표를 부탁드릴 예정입니다.\n\n## 참가 방법\n1. [Data] 탭에서 데이터를 다운로드 합니다.\n2. train.csv를 활용하여 모델을 학습시킵니다.\n3. 2에서 학습된 모델을 활용하여 test.csv의 데이터에 대한 quality를 예측합니다.\n4. 예측한 데이터를 sample_submission.csv와 동일한 형식으로 변환하여 제출합니다.\n5. 리더보드에서 순위 결과를 확인합니다.\n(+ [Team] 탭에서 'Your Team'-'General'-'team name'을 팀번호\\_팀이름(예: 1조_집보내조)로 변경해주세요.)\n\n## 참가 규칙\n- 제공된 데이터 이외의 데이터를 활용할 수 없습니다.\n- 수업 중에 배운 머신러닝 모델만을 활용해야 합니다.\n- 데이터와 모델 이외에 제한은 없으며, 성능 향상을 위하여 구글 검색을 통해 찾으신 모든 방법은 활용 가능합니다.\n\n## 채점 방법\n1. 리더보드에 파일이 제출되면 정확도를 기반으로 순위가 채점됩니다.\n2. 실제 리더보드에는 test.csv 데이터의 50%만을 활용하여 채점되며(이는 리더보드의 public 탭에서 확인 가능합니다.) 최종 결과는 나머지 50%의 데이터로 평가되며(이는 리더보드의 private 탭에서 확인 가능하며, Competition이 종료되었을 때 공개됩니다.), 1:1의 점수 비율을 적용해 채점됩니다. 여러분이 제출하신 결과에 대한 성능으로 실제 답안을 유추할 수 있기에, 한 번도 공개되지 않은 데이터로 한 번 더 평가하는 과정이 추가되는 것입니다.\n\n## \bTips💡\n- 5폴드 교차검증을 통해 성능을 확인해보세요. 다른 데이터셋에 대해서 성능이 낮을 수도 있습니다.\n- Grid Search를 통해 가장 적합한 파라미터를 찾아보세요.\n- 코드를 처음부터 작성하는 것은 어려우니, 구글 검색 및 온라인 도큐먼트, 그리고 지금까지 진행한 실습파일 등을 참고하여 효율적인 방법과 파라미터 후보군을 탐색하세요.\n- 데이터의 퀄리티를 높이기 위하여 결측치를 처리하고, scaling해보세요!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "- 화이팅! 💪🏻",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": " ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}