{
  "fetched_at": "2026-10-19T10:49:11Z",
  "source_url": "https://www.kaggle.com/competitions/ananikovlab-fall-2021-admissions/data",
  "pages": [
    {
      "name": "data-description",
      "content": "- **train** — это обучающая выборка. В ней две подпапки с изображениями для положительного и отрицательного класса (есть упорядочивание наночастиц и нет)\n- **test** — это данные для предсказания (именно для них нужно отправлять сабмиты)\n- **sample_submission.csv** — пример сабмита",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Привет.\n\nМы расширяем группу людей, которые занимаются задачами машинного обучения у нас в лаборатории. Для того, чтобы упростить отбор, мы сделали этот контест. Здесь тебе придется поработать над задачей классификации картинок на два класса: картинки, где наночастицы расположены упорядоченно и те, где это не так.\n\n## Зачем это все нужно?\n- Пройдя отбор, ты сможешь участвовать в научной работе одной из лучших научных лабораторий\n- После прохождения испытательного срока будешь зачислен в лабораторию и станешь сотрудником академического института\n- При активной работе сможешь стать участником гранта и получать финансовую поддержку\n- При результативной работе сможешь стать соавтором статей в современных высокорейтинговых журналов и журналов первого квартиля (Q1)\n\nПримеры опубликованных работ:\n1. Kashin, A. S., Boiko, D. A. & Ananikov, V. P. Neural Network Analysis of Electron Microscopy Video Data Reveals the Temperature‐Driven Microphase Dynamics in the Ions/Water System. Small 17, 2007726 (2021). [[DOI]](https://doi.org/10.1002/smll.202007726) **[Q1, IF=13.28]**\n2. Boiko, D. A., Pentsak, E. O., Cherepanova, V. A., Gordeev, E. G. & Ananikov, V. P. Deep neural network analysis of nanoparticle ordering to identify defects in layered carbon materials. Chem. Sci. 12, 7428–7441 (2021). [[DOI]](https://doi.org/10.1039/D0SC05696K) **[Q1, IF=9.83]**\n3. Boiko, D. A., Pentsak, E. O., Cherepanova, V. A. & Ananikov, V. P. Electron microscopy dataset for the recognition of nanoscale ordering effects and location of nanoparticles. Sci. Data 7, 101 (2020). [[DOI]](https://doi.org/10.1038/s41597-020-0439-1) **[Q1, IF=6.44]**\n4. Burykina, J. V. V., Boiko, D. A. A., Ilyushenkova, V. V. V., Eremin, D. B. B. & Ananikov, V. P. P. Comprehensive Mass Spectrometric Mapping of Chemical Compounds for the Development of Algorithms for Machine Learning and Artificial Intelligence. Dokl. Phys. Chem. 492, 51–56 (2020). [[DOI]](https://doi.org/10.1134/S0012501620050024)\n\n\nПосмотреть другие статьи лаборатории можно тут: http://ananikovlab.ru\n\n## Как будет проходить процесс отбора?\n1. Ты решаешь контест и, сделав свой финальный сабмит, пишешь на daniil.boiko@ioc.ac.ru письмо, где указываешь свой ник на каггле. Будет круто, если тема твоего письма будет начинаться с *[ALabF21]*, потому что так меньше шансов, что оно потеряется.\n2. Мы свяжемся с людьми, чей результат нас заинтересовал. Принципиально это могут быть вообще все, поэтому не сдавайся.\n3. Далее будет одно собеседование на ML и одно на питон. Будь готов показать код, который позволил тебе получить тот результат на соревновании, который ты получил. Мы также можем попросить тебя подготовить отчет по какой-нибудь уже опубликованной статье.\n4. Где-то здесь можно будет сходить на экскурсию в ИОХ и посмотреть на то, что мы можем предложить тебе.\n5. Если мы понравимся друг другу, то сможем работать.\n\nПлан выглядит достаточно страшно, но контест — это самый сложный этап. Если у тебя получится его решить, то дальнейшие этапы вряд ли вызовут проблемы.\n\n---\n\n## Что за задача?\n![](https://i.postimg.cc/fWBCfTbV/2021-08-28-15-19-23.png)\nНа этих двух изображениях можно увидеть два совершенно различных углеродных материала, на которые были нанесены наночастицы палладия. В первом случае наблюдается очень сильное упорядочивание — наночастицы выстраиваются в различные линии, образуют сложные контуры. Во втором — распределены абсолютно хаотично без какой-либо структуры. Почему так происходит, можно почитать вот в этой статье https://pubs.rsc.org/en/content/articlelanding/2015/SC/C5SC00802F\n\nЭта задача посвящена классификации данных материалов на упорядоченные и неупорядоченные. Мы предлагаем (но это не обязательно) использовать для этого классификатор на основе сверточных нейронных сетей (например, как это делалось тут https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html ). \n\n## Как будет оцениваться качество?\nМетрика качества ROC AUC (https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Метрика качества — ROC AUC.\n\n<h2>В каком виде отправлять?</h2>\n<p>Для каждого файла в папке test, файл с решением должен содержать две колонки: Id и Predicted. Id — это название файла, Predicted — это вероятность принадлежности картинки к классу упорядоченных частиц.</p>\n<p>В файле должна быть строка заголовка с такими колонками:</p>\n<pre>Id, Predicted <br>1,1<br></pre>\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": " - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}