{ "fetched_at": "2026-10-19T11:29:19Z", "source_url": "https://www.kaggle.com/competitions/codeml-challenge5/data", "pages": [ { "name": "data-description", "content": "

Français plus bas

\n

The data in detail:

\nThe data was divided into 3 groups:\n
  • train_images.zip - training data, contains images of different classes(Imgage_0.png , Image_1.png , Image_1090.png, Image_xx.png, ...)
    • \n
  • train_label.txt - training labels, containing the name of each associated classes of the train images separated by a new line. So classes 'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck' corresponding respectively to numbers 0 to 9
    • \n
  • test_images.zip - contains the images for the test. You'll have to predict them and put your results in a csv in the same format as all_five_submission.csv
    • \n\nThe training data should be used to create your machine learning models. When it comes to training data, we provide results to predict for each feedback..\n

    When you'll be submitting your prediction for test_images, the classes and their corresponding numbers are the following:

    \n

    \n'airplane' (0)\n 'automobile' (1),\n 'bird' (2), \n'cat' (3), \n'deer' (4),\n'dog' (5), \n'frog' (6), \n'horse' (7),\n 'ship' (8),\n 'truck' (9)\n

    \n\nTest data should be used to see how your model is performing on data it has not yet seen. For the test set, we do not provide predictable results for each feedback. It's your job to predict those outcomes. For each text in the test set, use the model you trained to predict whether the product received a positive review or not.

    \n\nWe also include all_five_submission.csv , a set of predictions that assume all images are of class 5. This all_positive_submission.csv file is an example of what your submission file should look like.

    \n\n

    Notes Variables (Reminder)

    \n

    The different labels in train_labels.txt are separated with newlines \\ n '

    \n

    Your results must be in csv format and contain 2 columns the first one is the Id of the and a second column with a header named 'testLabels'

    \n\n___________________________________________\n\n

    Les données en détail :

    \nLes données ont été divisées en 3 groupes :\n
  • train_images.zip - données de formation, contient des images de différentes classes(Imgage_0.png , Image_1.png , Image_1090.png, Image_xx.png, ...)
    • \n
  • train_label.txt - étiquettes de formation, contenant le nom de chaque classe associée des images de train séparées par une nouvelle ligne. Ainsi les classes \"avion\", \"automobile\", \"oiseau\", \"chat\", \"cerf\", \"chien\", \"grenouille\", \"cheval\", \"bateau\", \"camion\" correspondent respectivement aux numéros 0 à 9
    • \n
  • test_images.zip - contient les images pour le test. Vous devrez les prévoir et mettre vos résultats dans un csv au même format que all_five_submission.csv
    • \n\nLes données de formation doivent être utilisées pour créer vos modèles d'apprentissage sur machine. En ce qui concerne les données de formation, nous fournissons des résultats à prédire pour chaque retour d'information..\n

    Lorsque vous soumettez vos prédictions pour les images_test, les classes et leurs nombres correspondants sont les suivants:

    \n

    \n'airplane' (0)\n 'automobile' (1),\n 'bird' (2), \n'cat' (3), \n'deer' (4),\n'dog' (5), \n'frog' (6), \n'horse' (7),\n 'ship' (8),\n 'truck' (9)\n

    \n\nLes données de test doivent être utilisées pour voir comment votre modèle fonctionne sur des données qu'il n'a pas encore vues. Pour l'ensemble de tests, nous ne fournissons pas de résultats prévisibles pour chaque retour d'information. C'est à vous de prédire ces résultats. Pour chaque texte de l'ensemble de tests, utilisez le modèle que vous avez formé pour prédire si le produit a reçu un avis positif ou non.

    \n\nNous incluons également all_five_submission.csv , un ensemble de prédictions qui supposent que toutes les images sont de classe 5. Ce fichier all_positive_submission.csv est un exemple de ce à quoi doit ressembler votre fichier de soumission.

    \n\n

    Notes Variables (rappel)

    \n

    Les différents labels dans train_labels.txt sont séparés par des nouvelles lignes \\ n '

    \n

    Vos résultats doivent être au format csv et contenir 2 colonnes : la première est l'Id du et une seconde colonne avec un en-tête nommé 'testLabels'

    ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Description", "content": "

    Français plus bas

    \n

    👋🛳️ Hello here! welcome to Kaggle!

    \n

    Difficulty: Medium (Less guidance)

    \n

    New Intro

    \n

    ** For those new to Kaggle ** watch the video below to see how a competition goes normally
    \n\n
    \n\nOnce you are ready to start the competition, click on the Join competition button to create an account and access the competition data . Next, check out the tutorial Titanic by Alexis Cook which takes you step by step on how to make your first submission! and also that of Notebook Yassine Ghouzam \n\n\n

    The challenge:

    \n

    You have a zip file of images of 10 differents objects: **'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck' **

    \n

    This challenge is simple: use machine learning techniques to recognize these 10 different classes

    \n

    So the data here is a zip file containing multiple images in PNG format and labels for training in text file format.

    .\n\n

    Presentation of how Kaggle competitions work

    \n\n

    1.Join the competition

    \n

    Read the challenge description, accept the contest rules and access the contest dataset.

    \n\n

    2.Start working

    \n

    Download the data, create models on it locally or on Kaggle Kernels (our Jupyter Notebooks environment without configuration and customizable) and generate a prediction file. You can also work locally on your computer directly, we will only ask for the prediction files

    \n\n

    3. Make a submission

    \n

    Upload your prediction as a quote on Kaggle and receive an accuracy score.

    \n\n

    4. Look at the Leaderboard

    \n

    See how your model ranks against other Kagglers in our rankings.

    \n\n

    5. Increase your score

    \n

    Check out the discussion board for lots of tutorials and ideas from other competitors. \n\n

    What data will I use in this contest?

    \n

    In this competition you will have access to 4 files. Read the data part for more precisions.

    \n\n

    - train__images.zip - training data, multiple images in PNG format each. The images are ordered with an index number (Image_00.png , Image_01.png, Image_1090.png, ....)

    \n- train_label.txt - training responses, class comments in the same order as the images index separated with newlines \\ n

    \n- test__images.zip - data for the test containing images in png format but no answers.

    \nUsing your models and the train_images.zip data, predict each class for any images in test_images.zip

    \n\nVisit the “Data” competition tab to explore the datasets even further. Once you feel you've created a competitive model, submit it to Kaggle to see where your model stands in our rankings against other Kagglers.

    \n\n

    How to submit your prediction to Kaggle

    \n

    Once you are ready to submit an application and be in the leaderboard:

    \n1. Click on the \"Submit predictions\" button
    \n\"Media\"
    \n2. Upload a CSV file in the submission file format. You can submit 15 submissions per day.\n\"Media\"
    \n\n

    \n

    Format of the submission file

    \n

    \nYou must submit a csv file with exactly the number of lines as the number of images in test_images.zip. You can see a sample submission file also in the data part named 'all_five_submission.csv' . Your submission will display an error if you have additional columns or rows.

    \n\nThe file must have exactly 2 columns:

    \n\n- ImageId (sorted in any order)
    \n- Class of image (0 to 9)\n

    Ok! I am ready to begin. Where can I get help if I need it?

    \n

    \nFor help with the contest: Discussion forum of the competition
    \nTechnical help: page Contact us Kaggle

    \n\nKaggle does not have a dedicated support team, so you will generally find that you receive a response more quickly by posting your question in the appropriate forum. The forums are full of useful information on data, metrics, and different approaches. We encourage you to use the forums often. If you share your knowledge, you will find that others will share a lot too!\n

    \n\n

    A final word on Kaggle Notebooks

    \n

    \nAs we mentioned earlier, Kaggle Notebooks is our Jupyter Notebooks environment with no customizable configuration and a large repository of community published data and code.

    \n\nIn each competition, you will find many publicly shared notebooks with incredible information. It is an invaluable resource that is worth familiarizing yourself with. Check out the notebook from this competition here .\n

    \n

    🏃‍♀ Ready to compete? Join the competition here!

    \n

    Acknowledgments

    \n

    We thank Kaggle Team for providing this dataset, and for his introduction page Alexis Cook

    .\n\n______________________\n\n

    👋🛳️ Bonjour ! Bienvenue à Kaggle !

    \n

    Difficulté : Moyenne (moins d'orientation)

    \n

    Nouvelle introduction

    \n

    ** Pour les nouveaux venus à Kaggle ** regardez la vidéo ci-dessous pour voir comment se déroule normalement un concours
    \n\n
    \n\nUne fois que vous êtes prêt à commencer le concours, cliquez sur le bouton Join competition pour créer un compte et accéder aux données du concours . Ensuite, consultez le tutoriel Titanic d'Alexis Cook qui vous explique pas à pas comment effectuer votre première soumission ! et aussi celui de Notebook Yassine Ghouzam \n\n\n

    Le défi :

    \n

    Vous disposez d'un fichier zip contenant des images de 10 objets différents : **avion\", \"automobile\", \"oiseau\", \"chat\", \"cerf\", \"chien\", \"grenouille\", \"cheval\", \"bateau\", \"camion\" **

    \n

    Ce défi est simple : utiliser des techniques d'apprentissage automatique pour reconnaître ces 10 classes différentes

    \n

    Donc les données ici sont un fichier zip contenant plusieurs images au format PNG et des étiquettes pour la formation au format texte.

    .\n\n

    Présentation du fonctionnement des compétitions Kaggle

    \n\n

    1. participer au concours

    \n

    Lisez la description du défi, acceptez le règlement du concours et accédez à l'ensemble des données du concours.

    \n\n

    2. commencer à travailler

    \n

    Téléchargez les données, créez des modèles dessus localement ou sur Kaggle Kernels (notre environnement Jupyter Notebooks sans configuration et personnalisable) et générez un fichier de prédiction. Vous pouvez également travailler localement sur votre ordinateur directement, nous ne vous demanderons que les fichiers de prédiction

    \n\n

    3. faire une soumission

    \n

    Téléchargez votre prédiction sous forme de citation sur Kaggle et recevez un score de précision.

    \n\n

    4. Regardez le tableau de bord

    \n

    Voyez comment votre modèle se classe par rapport aux autres Kagglers dans nos classements.

    \n\n

    5. Augmentez votre score

    \n

    Consultez le forum de discussion pour obtenir de nombreux tutoriels et des idées d'autres concurrents. \n\n

    Quelles données vais-je utiliser dans ce concours ?

    \n

    Dans ce concours, vous aurez accès à 4 fichiers. Lisez la partie données pour plus de précisions.

    \n\n

    - train__images.zip - données de formation, plusieurs images au format PNG chacune. Les images sont classées par numéro d'index (Image_00.png , Image_01.png, Image_1090.png, ....)

    \n- train_label.txt - réponses de formation, commentaires de classe dans le même ordre que l'index des images séparés par des nouvelles lignes \\ n

    \n- test__images.zip - données pour le test contenant des images au format png mais pas de réponses.

    \nEn utilisant vos modèles et les données de train_images.zip, prévoyez chaque classe pour toutes les images dans test_images.zip

    \n\nVisitez l'onglet     \"Données\" concours pour explorer les ensembles de données encore plus en profondeur. Lorsque vous pensez avoir créé un modèle compétitif, soumettez-le à Kaggle pour voir où se situe votre modèle dans notre classement par rapport aux autres Kagglers.

    \n\n

    Comment soumettre votre prédiction à Kaggle

    \n

    Une fois que vous êtes prêt à soumettre une candidature et à figurer dans le classement :

    \n1. Cliquez sur le bouton \"Soumettre les prédictions\"
    \n\"Media\"
    \n2. Téléchargez un fichier CSV dans le format de fichier de soumission. Vous pouvez soumettre 15 soumissions par jour.\n\"Media\"
    \n\n

    \n

    Format du fichier de soumission

    \n

    \nVous devez soumettre un fichier csv dont le nombre de lignes correspond exactement au nombre d'images dans test_images.zip. Vous pouvez voir un exemple de fichier de soumission également dans la partie données nommée \"all_five_submission.csv\". Votre soumission affichera une erreur si vous avez des colonnes ou des lignes supplémentaires.

    \n\nLe fichier doit avoir exactement 2 colonnes :

    \n\n- ImageId (trié dans n'importe quel ordre)
    \n- Classe d'image (0 à 9)\n

    Ok ! Je suis prêt à commencer. Où puis-je obtenir de l'aide si j'en ai besoin ?

    \n

    \nPour obtenir de l'aide pour le concours : Forum de discussion du concours
    \nAide technique : page Contactez-nous Kaggle

    \n\nKaggle ne dispose pas d'une équipe de soutien dédiée, vous trouverez donc généralement une réponse plus rapide en postant votre question dans le forum de discussion ou sur discord !\n\n Les forums regorgent d'informations utiles sur les données, les mesures et les différentes approches. Nous vous encourageons à utiliser souvent les forums et discord. Si vous partagez vos connaissances, vous constaterez que d'autres partageront aussi beaucoup !\n

    \n\n

    Un dernier mot sur les carnets Kaggle

    \n

    \nComme nous l'avons déjà mentionné, Kaggle Notebooks est notre environnement Jupyter Notebooks sans configuration personnalisable et avec un grand répertoire de données et de codes publiés par la communauté.

    \n\nDans chaque concours, vous trouverez de nombreux cahiers partagés publiquement avec des informations incroyables. Il s'agit d'une ressource inestimable qui mérite que vous vous y familiarisiez. Consultez le carnet de ce concours ici .\n

    \n

    🏃 Prêt à concourir ? Participez au concours ici !

    \n

    Remerciements

    \n

    Nous remercions Kaggle Team pour avoir fourni cet ensemble de données, et pour sa page d'introduction Alexis Cook

    .\n", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "Evaluation", "content": "

    Français plus bas

    \n

    Objective

    \n

    It's your job to predict the class of an image.
    \nFor each element of the test set, you must predict a value between 0 to 9 for the associated class and put the results in the same order as the test images or with good Ids.

    \n\n

    Metric

    \n

    Your score is the percentage of accuracy you have in the classification (Categorization Accuracy)\n\n

    Submission file format

    \n

    \nYou must submit a csv file with exactly one header called testLabels and the same number of predictions as the number of images in test_images. Your submission will display an error if you have additional columns or rows.
    \n\nThe file must have exactly 2 columns:
    \n\nid: which will determine which test image this corresponds to
    \ntestLabels (any order)
    \n

    \n
     id, testLabels 
     10, 9
     1900, 1  
     204, 5 
     Etc.
    \n

    You can download a sample submission file (all_five_submission.csv) from the Data page.

    \n\n__________________________\n\n

    Objectif

    \n

    C'est votre travail de prédire la classe d'une image.
    \nPour chaque élément de l'ensemble de test, vous devez prédire une valeur entre 0 et 9 pour la classe associée et mettre les résultats dans le même ordre que les images de test ou avec de bons Ids.

    \n\n

    métrique

    \n

    Votre score est le pourcentage de precision que vous avez dans le classement (Précision par catégorie)\n\n

    Format du fichier de soumission

    \n

    \nVous devez soumettre un fichier csv avec exactement un en-tête appelé testLabels et le même nombre de prédictions que le nombre d'images dans test_images. Votre soumission affichera une erreur si vous avez des colonnes ou des lignes supplémentaires.
    \n\nLe fichier doit avoir exactement 2 colonnes :
    \n\nid : qui déterminera à quelle image test cela correspond
    \ntestLabels (tout ordre tant qu'il y'a tous les IDs)
    \n

    \n
     id, testLabels 
     10, 9
     1900, 1 
     204, 5 
     Etc.
    \n

    Vous pouvez télécharger un exemple de fichier de soumission (all_five_submission.csv) à partir de la page Data .

    ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false }, { "name": "rules", "content": "

    Français plus bas

    \n

    One account per participant

    \n

    You cannot sign up to Kaggle from multiple accounts, so you cannot submit from multiple accounts.

    \n\n

    No private sharing outside of teams

    \n

    Private sharing of code or data outside of teams is not allowed. It's okay to share code if it's made available to all forum participants.

    \n\n

    Merging teams

    \n

    Team mergers are allowed and can be done by the team leader. To merge, the combined team must have a total number of submissions less than or equal to the maximum allowed on the merge date. The maximum allowed is the number of submissions per day multiplied by the number of days the contest was launched.

    \n\n

    Limits number of people per team

    \n

    There is no maximum team size.

    \n\n

    Number of submission limits

    \n

    You can submit a maximum of 15 submissions per day.
    \nYou can select up to 3 final submissions for judging.

    \n\n

    Chronology of the competition

    \n

    \nStart date: 11/21/2020 9:30AM EST
    \n\nMerger deadline: none
    \n\nRegistration deadline: None
    \n\nEnd date: 11/22/2020 5PM EST (Montreal Canada)
    \n\nThis is a fun competition to help you get started with machine learning. Cheating defeats the purpose. So seriously, don't do that!\n

    \n______________________________\n\n

    Un compte par participant

    \n

    Vous ne pouvez pas vous inscrire à Kaggle à partir de plusieurs comptes, donc vous ne pouvez pas soumettre de propositions à partir de plusieurs comptes.

    \n\n

    Pas de partage privé en dehors des équipes

    \n

    Le partage privé de code ou de données en dehors des équipes n'est pas autorisé. Le partage de code est autorisé s'il est mis à la disposition de tous les participants au forum.

    \n\n

    Fusionner les équipes

    \n

    Les fusions d'équipes sont autorisées et peuvent être effectuées par le chef d'équipe. Pour fusionner, l'équipe combinée doit avoir un nombre total de soumissions inférieur ou égal au maximum autorisé à la date de la fusion. Le maximum autorisé est le nombre de soumissions par jour multiplié par le nombre de jours où le concours a été lancé.

    \n\n

    Limite le nombre de personnes par équipe

    \n

    Il n'y a pas de taille maximale pour les équipes.

    \n\n

    Nombre de limites de soumission

    \n

    Vous pouvez soumettre un maximum de 15 soumissions par jour.
    \nVous pouvez sélectionner jusqu'à trois candidatures finales pour les juger.

    \n\n

    Chronologie du concours

    \n

    \nDate de début : 21/11/2020 9h30 EST
    \n\nDate limite pour les fusions : aucune
    \n\nDate limite d'inscription : Aucune
    \n\nDate de fin : 22/11/2020 5PM EST (Montréal Canada)
    \n\nIl s'agit d'un concours amusant pour vous aider à vous lancer dans l'apprentissage machine. La tricherie va à l'encontre du but recherché. Alors sérieusement, ne faites pas ça !\n

    ", "isPublished": false, "hasIsPublished": false, "postTitle": "", "hasPostTitle": false, "mimeType": "", "hasMimeType": false } ] }