{
  "fetched_at": "2026-10-19T07:47:49Z",
  "source_url": "https://www.kaggle.com/competitions/clients-age-group/data",
  "pages": [
    {
      "name": "data-description",
      "content": "<p>Для решения задачи участникам предоставлена информация о транзакциях клиентов банка, объемом около 20 000 000 записей. </p>\n\n<p> Каждая запись описывает одну банковскую транзакцию. Для каждого из ≈6 000 тестовых id, участникам нужно с помощью обученной модели предсказать, в какую из возрастных групп попадает клиент. </p>\n\n<p>Были подготовлены два набора данных:</p>\n\n<ul>\n<li><strong> Обучающий transactions_train.csv</strong> -  котором для каждой транзакции известна дата, сумма, тип и id клиента; </li>\n<li><strong>Tестовый transactions_test.csv, содержащий те же поля</strong> </li>\n<ul>\n<li><strong>сlient_id</strong> - уникальный номер клиента;</li>\n<li><strong>trans_date</strong> – дата транзакции (представляет из себя просто номер дня в хронологическом порядке, начиная от заданной даты);</li>\n<li><strong>small_group</strong>  – группа транзакций, характеризующих тип транзакции (например, продуктовые магазины, одежда, заправки, детские товары и т.п.);</li>\n<li><strong>amount_rur </strong> – сумма транзакции.</li>\n</ul>\n</ul>\n<p>\nНа базе данных файлов можно строить различные признаки, которые характеризуют возрастные группы.\nЦелевая переменная для обучающего датасета находится в файле train_target.csv. В нем содержится информация о Клиенте и метка возрастной группы, к которой он относится:</p>\n<ul>\n<li><strong>client_id </strong>– уникальный номер клиента (соответствует client_id из файла transactions_train.csv);</li>\n<li><strong>bins</strong> – метка возраста. В файлe test.csv тебе необходимо предсказать для указанных client_id соответствующую метку группы возраста.</li>\n</ul>\nУчастникам также предоставлен информационный файл small_group_description.csv, который содержит расшифровку типов транзакций. А так же Baseline.ipynb который примерно решает поставленную задачу.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h2>Введение</h2>\n\n<p> Привет! Представь cебе современный банк, где каждую секунду миллионы клиентов переводят деньги своим друзьям, покупают в магазине новую одежду и оплачивают проезд картой банка в транспорте. Все они ждут скидок и особых предложений конкретно под себя.  Основным способом предложить клиенту хорошую акцию это правильно соотнести его в нужную возрастную группу. Но кто же просто так скажет свой возраст? Именно за этим мы здесь!</p>\n\n<h2>Гадаем на картах</h2>\n\n<p> Можно ли узнать возраст клиента на основе информации о его расходах по карте? Мы подготовили задачу на базе банковских транзакций. Совершенствуя свои продукты, банк использует информацию о пользователях, в том числе и возраст. Это помогает сделать персонализированные продукты, которые удовлетворяют реальные потребности клиентов. Но всегда ли календарный возраст соответствует образу жизни (и покупок) человека?</p>\n\n<h2>Условие Задачи</h2>\n\nТвоя задача — по информации о расходах клиента банка предсказать, в какую из возрастных групп он попадает. Даны обучающие данные (train) для построения признаков и обучения моделей, и тестовые данные (test) для проверки алгоритмов. Это специальным образом сгенерированная информация, на которой можно обучать модели, сохраняя полную безопасность реальных данных. Решением задачи являются предсказания алгоритма на тестовых данных и оформленные в виде файла .csv.\n\n\n ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Дополнительно",
      "content": "<h2>Формате Решения</h2>\n<p>Для каждого примера из тестового набора было необходимо предсказать возрастную группу, к которой относится клиент. В систему должен быть предоставлен CSV-файл с предсказаниями для проверки, он должен содержать в себе две колонки</p>\n\n- client_id — идентификатор клиента;\n- bins — возрастная группа.\n<p>\nЗадача представляет из себя мультиклассовую классификацию (4 класса – от 0 до 3). Качество решения считается как доля верно угаданных меток возраста по всем тестовым примерам –accuracy.</p>\n<hr>\n<p>\nДля решения удобнее всего использовать язык программирования Python, так как для него есть большое число библиотек для анализа данных: NumPy, Pandas, SciKit-Learn и другие. В качестве инструмента разработки – интерактивную среду Jupyter.</p>\n<p>\nТак же для твоего удобства доступен базовый пример решения от организаторов в виде Jupyter-notebook’а .</p>\n\n\n<h2>Метрика</h2>\nКачество вашей рекомендательной системы будет считаться на базе average RUC AUC",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "Это страница, на которой написаны правила, которые должны выполнятся  всеми участниками соревнования.\nПравила следующие:\n\n- Не жульничай!\n- Если заметил интересную особенность в данных поделись с остальными участниками!\n- Веселись!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}