{
  "fetched_at": "2026-10-24T23:04:45Z",
  "source_url": "https://www.kaggle.com/competitions/car3brands/data",
  "pages": [
    {
      "name": "rules",
      "content": " - Не стесняйтесь проявить креативность в подборе решения!\n - Вступайте в ряды нейронщиков!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p> В данном архиве представлены изображения марок автомобилей (размер каждого изображения : ширина - 96, высота - 54), которые расположены в папках соответствующего класса. Для создания обучающих и проверочных выборок необходимо после предобработки изображений (например, нормализация значений массивов) перетасовать картинки-массивы и соответствующие лейблы так, чтоб в одном батче было несколько классов.</p>\n\n<h2>Описание файлов</h2>\n<ul>\n<li><strong>middle_fmr.zip</strong> - датасет, из которого формировать обучающую и проверочную выборки</li>\n<li><strong>pics_file.npy</strong> - numpy файл, в котором находится 341 изображение, переведенное в массив и нормализованное. Размер массива (341, 96, 54, 3), т.е. для проверки сети вам достаточно будет выгрузить этот массив и полученные результаты занести в файл sumbission.csv </li> \n\nДля создания вашего submission.csv вы должны извлечь по одному массиву в этом текстовом документе и подать на вашу сеть, получить результат и отправить этот оформленный результат (см. раздел Evaluation, чтобы узнать как оформить результат) нам. \n\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<p> Задача классификации - одна из фундаментальных задач, с которыми сталкиваются специалисты в области Науки о Данных, Инженеров по данным. Именно с такой задачей вы будете иметь дело в этом соревновании</p>\n<p>На базе того, что вам рассказали на занятии №3 (сверточные сети) и остальных напишите модель нейронной сети такую, с которой вы добьетесь максимальной точности на данной выборке.</p>\n<p>Ограничений по оформлению нет</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Оценка ответов происходит с помощью инструмента Categorical Accuracy, т.е. точность насколько был угадан тот или иной класс. Исходя из этого формат вашего submission.csv должен выглядеть следующим образом: \nу колонок должны быть названия: id (первая колонка) - в ней должна быть указана позиция в этом датасете (например, картинка идет первой в списке, значит, ее id будет 0, у второй картинки будет - 1 т.д.) и label (вторая колонка) - класс, который предсказала ваша сеть.\n\n**Обратите внимание!** \n\nВаша сеть будет скорее всего давать предсказание в формате One Hot, т.е. вот так\n> pred = [[0,0,1],..[1,0,0]] \nДля submission.csv вы должны в колонку label передать *одну* цифру, т.е. значение максимального аргумента. Например:\n> pred = [[0,0,1],..[1,0,0]] ---> pred = [[2],..[0]]\n\nСловарь марка: label:\n\n`{'Ferrari': 0, 'Mercedes': 1, 'Renault': 2}`\n\nВ итоге, ответ должен выглядеть следующим образом:\n\n`id label`\n`0  1`\n`1   1`\n`2   0`",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}