{
  "fetched_at": "2026-10-19T16:55:44Z",
  "source_url": "https://www.kaggle.com/competitions/catch-me-if-you-can-intruder-detection-through-webpage-session-tracking2/data",
  "pages": [
    {
      "name": "data-description",
      "content": "(Russian version below)\n\n\nThe train set **train_sessions.csv** contains information on user browsing sessions where the features are:\n\n- site_i – are ids of sites in this session. The mapping is given with a pickled dictionary **site_dic.pkl**\n- time_j – are timestamps of attending the corresponding site\n- target – whether this session belongs to Alice\n\nOne can use the original data **train.zip** to form a train set differing from **train_sessions.csv**.\n\n------------------------------------------------------------------------------\n\nВ обучающей выборке **train_sessions.csv**:\n\n- Признаки site_i – это индексы посещенных сайтов (расшифровка дана в pickle-файле со словарем **site_dic.pkl**)\n- Признаки time_j – время посещения сайтов site_j\n- Целевой признак target – факт того, что сессия принадлежит Элис (то есть что именно Элис ходила по всем этим сайтам)\n\nЗадача – сделать прогнозы для сессий в тестовой выборке (**test_sessions.csv**), определить, принадлежат ли они Элис.\nНе обязательно ограничиваться только предложенной выборкой **train_sessions.csv** – в **train.zip** даны исходные данные о посещенных пользователями веб-страницах, по которым можно сформировать свою обучающую выборку.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "(Russian version below)\n<br>\n<p>Web-user identification is a hot research topic on the brink of sequential pattern mining and behavioral psychology.</p>\n<p>Here we try to identify a user on the Internet tracking his/her sequence of attended Web pages. The algorithm to be built will take a webpage session (a sequence of webpages attended consequently by the same person) and predict whether it belongs to Alice or somebody else.</p>\n<p>The data comes from Blaise Pascal University proxy servers. Paper \"A Tool for Classification of Sequential Data\" by Giacomo Kahn, Yannick Loiseau and Olivier Raynaud.</p>\n<p>––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––</p>\n<p>Будем решать задачу идентификации взломщика по его поведению в сети Интернет. Это сложная и интересная задача на стыке анализа данных и поведенческой психологии. В качестве примера, компания Яндекс решает задачу идентификации взломщика почтового ящика по его поведению. В двух словах, взломщик будет себя вести не так, как владелец ящика: он может не удалять сообщения сразу по прочтении, как это делал хозяин, он будет по-другому ставить флажки сообщениям и даже по-своему двигать мышкой. Тогда такого злоумышленника можно идентифицировать и \"выкинуть\" из почтового ящика, предложив хозяину войти по SMS-коду. Этот пилотный проект описан в статье на Хабрахабре. Похожие вещи делаются, например, в Google Analytics и описываются в научных статьях, найти можно многое по фразам \"Traversal Pattern Mining\" и \"Sequential Pattern Mining\".</p>\n<p>В этом соревновании будем решать похожую задачу: алгоритм будет анализировать последовательность из нескольких веб-сайтов, посещенных подряд одним и тем же человеком, и определять, Элис это или взломщик (кто-то другой).</p>\n<p>Данные собраны с прокси-серверов Университета Блеза Паскаля. \"A Tool for Classification of Sequential Data\", авторы Giacomo Kahn, Yannick Loiseau и Olivier Raynaud.</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<p>The target metric is <a href=\"https://en.wikipedia.org/wiki/Receiver_operating_characteristic\">ROC AUC</a>.</p>\n<p>----------------------------</p>\n<p>Целевая метрика – ROC AUC. Пример ее описания <a href=\"https://habrahabr.ru/post/228963/\">тут</a>.</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "- Additional data is not allowed\n- Maximum team size is 1, team merges are not allowed\n- Do not spoil the competition by sharing high-quality kernels\n- More info [here](https://mlcourse.ai/roadmap)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}