Français plus bas
👋🛳️ Hello here! welcome to Kaggle!
Difficulty: Medium (Less guidance)
New Intro
** For those new to Kaggle ** watch the video below to see how a competition goes normally
[](https://www.youtube.com/watch?v=CM2VskTenJc)
Once you are ready to start the competition, click on the
[Join competition](https://www.kaggle.com/c/codeml-challenge5)
button to create an account and access the
[competition data](https://www.kaggle.com/c/codeml-challenge5/data)
. Next, check out the tutorial
[Titanic by Alexis Cook](https://www.kaggle.com/alexisbcook/titanic-tutorial)
which takes you step by step on how to make your first submission!  and also that of
[Notebook Yassine Ghouzam](https://www.kaggle.com/yassineghouzam/titanic-top-4-with-ensemble-modeling)
The challenge:
You have a zip file of images of 10 differents objects: **'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck' **
This challenge is simple: use machine learning techniques to recognize these 10 different classes
So the data here is a zip file containing multiple images in PNG format and labels for training in text file format.
.
Presentation of how Kaggle competitions work
1.Join the competition
Read the challenge description, accept the contest rules and access the contest dataset.
2.Start working
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
3. Make a submission
Upload your prediction as a quote on Kaggle and receive an accuracy score.
4. Look at the Leaderboard
See how your model ranks against other Kagglers in our rankings.
5. Increase your score
Check out the
[discussion board](https://www.kaggle.com/c/codeml-challenge5/discussion)
for lots of tutorials and ideas from other competitors.
What data will I use in this contest?
In this competition you will have access to 4 files. Read the data part for more precisions.
- 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, ....)
- train_label.txt - training responses, class comments in the same order as the images index separated with newlines \ n
- test__images.zip - data for the test containing images in png format but no answers.
Using your models and the train_images.zip data, predict each class for any images in test_images.zip
Visit the
[“Data”](https://www.kaggle.com/c/codeml-challenge5/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.
How to submit your prediction to Kaggle
Once you are ready to submit an application and be in the leaderboard:
1. Click on the "Submit predictions" button
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2Fcbd6642aa72d7264b912eb7b192ef4d5%2Fscreen1.png?generation=1600955792312915&alt=media)
2. Upload a CSV file in the submission file format. You can submit 15 submissions per day.
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2F4e5c05145c265cab77bf2f7349803ea1%2Fscreen2.png?generation=1600955792270010&alt=media)
Format of the submission file
You 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.
The file must have exactly 2 columns:
- ImageId (sorted in any order)
- Class of image (0 to 9)
Ok! I am ready to begin. Where can I get help if I need it?
For help with the contest:
[Discussion forum](https://www.kaggle.com/c/codeml-challenge5/discussion)
of the competition
Technical help: page
[Contact us Kaggle](https://www.kaggle.com/contact)
Kaggle 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!
A final word on Kaggle Notebooks
As we mentioned earlier, Kaggle Notebooks is our Jupyter Notebooks environment with no customizable configuration and a large repository of community published data and code.
In 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](https://www.kaggle.com/c/codeml-challenge5/notebook)
.
🏃‍♀ Ready to compete? Join the
[competition here!](https://www.kaggle.com/c/codeml-challenge5)
Acknowledgments
We thank Kaggle Team for providing this dataset, and for his introduction page Alexis Cook
.

______________________
👋🛳️ Bonjour ! Bienvenue à Kaggle !
Difficulté : Moyenne (moins d'orientation)
Nouvelle introduction
** Pour les nouveaux venus à Kaggle ** regardez la vidéo ci-dessous pour voir comment se déroule normalement un concours
[](https://www.youtube.com/watch?v=CM2VskTenJc)
Une fois que vous êtes prêt à commencer le concours, cliquez sur le bouton
[Join competition](https://www.kaggle.com/c/codeml-challenge5)
pour créer un compte et accéder aux données du concours
[](https://www.kaggle.com/c/codeml-challenge5/data)
. Ensuite, consultez le tutoriel
[Titanic d'Alexis Cook](https://www.kaggle.com/alexisbcook/titanic-tutorial)
qui vous explique pas à pas comment effectuer votre première soumission ! et aussi celui de
[Notebook Yassine Ghouzam](https://www.kaggle.com/yassineghouzam/titanic-top-4-with-ensemble-modeling)
Le défi :
Vous disposez d'un fichier zip contenant des images de 10 objets différents : **avion", "automobile", "oiseau", "chat", "cerf", "chien", "grenouille", "cheval", "bateau", "camion" **
Ce défi est simple : utiliser des techniques d'apprentissage automatique pour reconnaître ces 10 classes différentes
Donc les données ici sont un fichier zip contenant plusieurs images au format PNG et des étiquettes pour la formation au format texte.
.
Présentation du fonctionnement des compétitions Kaggle
1. participer au concours
Lisez la description du défi, acceptez le règlement du concours et accédez à l'ensemble des données du concours.
2. commencer à travailler
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
3. faire une soumission
Téléchargez votre prédiction sous forme de citation sur Kaggle et recevez un score de précision.
4. Regardez le tableau de bord
Voyez comment votre modèle se classe par rapport aux autres Kagglers dans nos classements.
5. Augmentez votre score
Consultez le forum de discussion
[pour obtenir de nombreux tutoriels et des idées d'autres concurrents.](https://www.kaggle.com/c/codeml-challenge5/discussion)
[Quelles données vais-je utiliser dans ce concours ?](https://www.kaggle.com/c/codeml-challenge5/discussion)
[Dans ce concours, vous aurez accès à 4 fichiers. Lisez la partie données pour plus de précisions. - 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, ....) - train_label.txt - réponses de formation, commentaires de classe dans le même ordre que l'index des images séparés par des nouvelles lignes \ n - test__images.zip - données pour le test contenant des images au format png mais pas de réponses. En utilisant vos modèles et les données de train_images.zip, prévoyez chaque classe pour toutes les images dans test_images.zip Visitez l'onglet](https://www.kaggle.com/c/codeml-challenge5/discussion)
["Données"](https://www.kaggle.com/c/codeml-challenge5/data)
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.
Comment soumettre votre prédiction à Kaggle
Une fois que vous êtes prêt à soumettre une candidature et à figurer dans le classement :
1. Cliquez sur le bouton "Soumettre les prédictions"
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2Fcbd6642aa72d7264b912eb7b192ef4d5%2Fscreen1.png?generation=1600955792312915&alt=media)
2. Téléchargez un fichier CSV dans le format de fichier de soumission. Vous pouvez soumettre 15 soumissions par jour.
![Media](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F5344680%2F4e5c05145c265cab77bf2f7349803ea1%2Fscreen2.png?generation=1600955792270010&alt=media)
Format du fichier de soumission
Vous 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.
Le fichier doit avoir exactement 2 colonnes :
- ImageId (trié dans n'importe quel ordre)
- Classe d'image (0 à 9)
Ok ! Je suis prêt à commencer. Où puis-je obtenir de l'aide si j'en ai besoin ?
Pour obtenir de l'aide pour le concours :
[Forum de discussion](https://www.kaggle.com/c/codeml-challenge5/discussion)
du concours
Aide technique : page
[Contactez-nous Kaggle](https://www.kaggle.com/contact)
Kaggle 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 !

 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 !
Un dernier mot sur les carnets Kaggle
Comme 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.
Dans 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](https://www.kaggle.com/c/codeml-challenge5/notebook)
.
🏃 Prêt à concourir ? Participez au concours
[ici !](https://www.kaggle.com/c/codeml-challenge5)
Remerciements
Nous remercions Kaggle Team pour avoir fourni cet ensemble de données, et pour sa page d'introduction Alexis Cook
.