{
  "fetched_at": "2026-10-19T11:25:03Z",
  "source_url": "https://www.kaggle.com/competitions/cars3brands/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<li><strong>example.csv</strong> - пример оформления вашего 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": "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
    },
    {
      "name": "Evaluation",
      "content": "<p>The evaluation pages describes how submissions will be scored and how students should format their submissions. You don't need a sub-title at the top (the page title appears above). For an example of a high quality evaluation page, see the 2013 KDD Cup page, which we have copied here:</p>\r\n<hr />\r\n<p>The evaluation metric for this competition is <a href=\"https://www.kaggle.com/wiki/MeanFScore\"> Mean F1-Score</a>. The F1 score, commonly used in information retrieval, measures accuracy using the statistics precision p and recall r. Precision is the ratio of true positives (tp) to all predicted positives (tp + fp). Recall is the ratio of true positives to all actual positives (tp + fn). The F1 score is given by:</p>\r\n<p>\\[ F1 = 2\\frac{p \\cdot r}{p+r}\\ \\ \\mathrm{where}\\ \\ p = \\frac{tp}{tp+fp},\\ \\ r = \\frac{tp}{tp+fn} \\]</p>\r\n<p>The F1 metric weights recall and precision equally, and a good retrieval algorithm will maximize both precision and recall simultaneously. Thus, moderately good performance on both will be favored over extremely good performance on one and poor performance on the other.</p>\r\n<h2>Submission Format</h2>\r\n<p><strong>For every author in the dataset</strong>, submission files should contain two columns: AuthorId and DuplicateAuthorIds. DuplicateAuthorIds should be a space-delimited list. Every AuthorId counts as his/her own duplicate, and every duplicate should be listed under each of its respective ids. For example, if you suspect author A, B, and C are the same, you should list (A,A B C), (B,B A C), (C,C A B).</p>\r\n<p>The file should contain a header and have the following format:</p>\r\n<pre>AuthorId,DuplicateAuthorIds<br />1,1<br /><span style=\"font-size: 14px; line-height: 1.4em;\">8,8<br />9,9 10<br /></span><span style=\"font-size: 14px; line-height: 1.4em;\">10,10 9<br /></span><span style=\"font-size: 14px; line-height: 1.4em;\">etc.</span></pre>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}