{
  "fetched_at": "2026-10-19T12:34:28Z",
  "source_url": "https://www.kaggle.com/competitions/bitamin-deep-learning-contest/data",
  "pages": [
    {
      "name": "data-description",
      "content": "<p>The data files train.csv and test.csv contain gray-scale images of hand-drawn digits, from zero through nine, in the Kannada script.</p>\n\n<p>Each image is 28 pixels in height and 28 pixels in width, for a total of 784 pixels in total. Each pixel has a single pixel-value associated with it, indicating the lightness or darkness of that pixel, with higher numbers meaning darker. This pixel-value is an integer between 0 and 255, inclusive.</p>\n\n<p>The training data set, train.csv, has 785 columns. The first column, called label, is the digit that was drawn by the user. The rest of the columns contain the pixel-values of the associated image.</p>\n\n<p>Each pixel column in the training set has a name like pixel{x}, where x is an integer between 0 and 783, inclusive. To locate this pixel on the image, suppose that we have decomposed x as x = i * 28 + j, where i and j are integers between 0 and 27, inclusive. Then pixel{x} is located on row i and column j of a 28 x 28 matrix, (indexing by zero).</p>\n\n<p>For example, pixel31 indicates the pixel that is in the fourth column from the left, and the second row from the top, as in the ascii-diagram below.</p>\n\n<p>Visually, if we omit the \"pixel\" prefix, the pixels make up the image like this:</p>\n\n<pre>\n000 001 002 003 ... 026 027\n028 029 030 031 ... 054 055\n056 057 058 059 ... 082 083\n  \n728 729 730 731  ...  754 755\n756 757 758 759  ...  782 783\n</pre>\n\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h2>Bitamin MNIST Competition</h2>\n<p> Kannada digits을 분류해봅시다!</p>\n![](https://storage.googleapis.com/kaggle-media/competitions/Kannada-MNIST/kannada.png)\n\n## 다양한 기법들로 딥러닝의 성능을 올릴 수 있습니다! \n아래 요소들로 멋진 모델을 만들어 보세요!\n- [Optimizer](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers)\nOptimizer는 Adam, SGD 등 다양하게 사용할 수 있습니다. \n이와 더불어 Cosine Learning Rate Scheduler도 시도해보세요!\n- [Batch Normalization](https://www.tensorflow.org/api_docs/python/tf/keras/layers/BatchNormalization)\nLayer의 Output의 평균을 0 , std를 1로 조정해줍니다. Training 중에는 평균과 std를 추정해가며, inference 시에는 추정한 평균과 std로 Layer의 Output을 조정합니다. \n- [Dropout](https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dropout)\nOverfitting을 방지하기 위해서 사용합니다. 앙상블을 위한 여러개의 모델을 만드는 것 대신 학습 사이클이 진행되는 동안 무작위로 일부 뉴런을 생략합니다. 0에서 1사이의 값으로 Drop할 확률을 구할 수 있습니다. \n- Data Augmentation\nOverfitting을 방지하기 위해서 사용합니다. 다양한 Augmentation(증강) 기법이 있으며 이미지에서는 [링크](https://imgaug.readthedocs.io/en/latest/)와 같은 기법을 많이 사용합니다. \n- Weight Initialization\n가중치 초기화 역시 학습 수렴에 있어서 중요합니다. Activation Fuction에 따라 다른 가중치 Method를 사용해야 하는데 [링크](https://www.tensorflow.org/api_docs/python/tf/keras/initializers)에 있는 함수의 종류를 바탕으로 한번 공부해보세요!\n- Transfer Learning\nImageNet으로 가중치를 초기화하는 방법은 익히 잘 알려진 기법입니다. Fine-tuning이라고도 하며, 이미 잘 훈련된 모델이 있고 해당 모델과 유사한 문제를 해결할 때 그 효과가 잘 나타납니다. \n- [Knowledge Distilliation](https://tobigs.gitbook.io/knowledge-distilation/)\nNeural Network에서 지식을 전달하기 위한 기술입니다. 관심있으시면 찾아보시면 좋을 것 같습니다. \n\n\n<h2>Acknowledgements</h2>\n<p>Kaggle thanks Vinay Prabhu for providing this interesting dataset for a Playground competition.\nImage reference: https://www.researchgate.net/figure/speech-for-Kannada-numbers_fig2_313113588</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<p>This competition is evaluated on the categorization accuracy of your predictions(the percentage of images you get correct)</p>\n\n<h2>Submission File Format</h2>\n<p>The file should contain a header and have the following format:</p>\n<pre>id, label\n1, 6\n2, 5\n3, 5\n...</pre>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Prize",
      "content": "# 우수 과제자 선정 기준\n- Private Leaderboard 1위",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}