{
  "fetched_at": "2026-10-19T06:25:54Z",
  "source_url": "https://www.kaggle.com/competitions/clasificacion-de-hablantes/data",
  "pages": [
    {
      "name": "data-description",
      "content": "\n## Files\n\n*   **data/train** - Directorio donde se encuentran los audios de entrenamiento, las carpetas codifican las clases.\n*   **data/test** - Directorio donde se encuentran los audios de test, no hay carpetas.\n*   **sample_submission.csv** - Ejemplo de submission con el formato correcto, pueden rellenar la columna 'Expected'.\n* **utils.py** - Algunas funciones/clases útiles.\n\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Poder aprender automáticamente de datos de audio ha permitido grandes avances en diversas disciplinas. En esta competencia se solicita clasificar extractos de audio de duración variable entre 167 hablantes.\n\nUn enfoque común es producir un [Espectrograma](https://towardsdatascience.com/learning-from-audio-spectrograms-37df29dba98c) a partir del audio y aprender sobre éste con redes recurrentes o convolucionales. En la sección data encontrarán el script utils.py con algunas funciones que podrían ayudarles.\n\nLos datos no están perfectamente limpios, pero para efectos de esta competencia se entenderá que hay 1 speaker hablando por extracto. Tienen silencios y otros speakers que deberían ser despreciables.\n\nTip: Generalmente, para cada audio, se extraen ventanas de tamaño N segundos y se construye el espectrograma sobre cada una de estas ventanas, entendiéndolas como un dato etiquetado con el speaker del audio.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "La métrica de evaluación para esta competencia es Mean F1-Score, también conocida como example-based F-measure en la literatura de apendizaje multi-label . La puntuación F1, comúnmente utilizada en information retrieval, mide el desempeño utilizando el precision p y el recall r. La precisión es la relación entre los verdaderos positivos (tp) y todos los positivos predichos (tp + fp). El recall es la relación entre los verdaderos positivos y todos los positivos reales (tp + fn). El desempeño moderadamente bueno en ambos se verá favorecido sobre el desempeño extremadamente bueno en uno y el desempeño deficiente en el otro.",
      "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
    }
  ]
}