{
  "fetched_at": "2026-10-19T08:39:49Z",
  "source_url": "https://www.kaggle.com/competitions/competition-2-shad-fall-2019/data",
  "pages": [
    {
      "name": "rules",
      "content": "<h3>Правила</h3>\n\n- Ваше имя в лидерборде должно иметь вид Фамилия Имя (Место учёбы)\n- Решать задачи необходимо в одиночку \n- Запрещается использовать алгоритмы, которые ещё не проходили в курсе 5 попыток в день \n- Можно выбрать только две посылки в конце конкурса \n- До промежуточного деделайна нужно превзойти Medium \n- Код нужно прислать в течении недели после окончания конкурса для топ 25%\n\n<h3>Внешние наборы данных</h3>\n\nВы можете использовать дополнительные наборы данных, но с некоторыми ограничениями:\n\n- Это должно быть именно расширение объёма данных. За любую попытку использовать такой же (или похожий) датасет, с целью сопоставить и просто найти нужные тестовые элементы с ответами (даже завуалированную), участник будет исключён!\n- Данные должны быть открытыми (т.е. вы должны мочь ими поделиться с другими участниками соревнования по завершению конкурса)\n\n<h3>Оценка</h3>\n\n5 баллов даётся за посылку решения, которое лучше чем Medium (по public leaderboard) и отправлено до промежуточного дедлайна.\n\nДополнительные баллы начисляются за места в privet leaderboard по завершению конкурса.\n\n1ое место - 35 баллов\n\n2ое место - 25 баллов\n\n3е место - 15 баллов\n\nТоп 10% - 10 баллов\n\nТоп 25% - 5 баллов",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p>Описание каждой вакансии состоит из следующих частей:</p>\n<ul>\n<li><strong>id</strong> — идентификатор вакансии</li>\n<li><strong>name</strong> — название</li>\n<li><strong>description</strong> — описание</li>\n<li><strong>key_skills</strong> — список требуемых навыков, перечисленных через знак табуляции</li>\n<li><strong>schedule_id</strong> — тип занятости (расшифровка хранится в таблицы schedules.csv)</li>\n<li><strong>employment_id</strong> — тип занятости (расшифровка храниться в таблицы employments.csv)</li>\n<li><strong>experience_id</strong> — опыт работы (расшифровка храниться в таблицы experiences.csv)</li>\n<li><strong>accept_handicapped</strong> — допускаются ли люди с инвалидностью</li>\n<li><strong>accept_kids</strong> — допускаются ли дети</li>\n<li><strong>salary_from</strong> — нижняя граница зарплаты</li>\n<li><strong>salary_to</strong> — верхняя граница зарплаты</li>\n<li><strong>salary_gross</strong> — зарплата до вычета налогов</li>\n<li><strong>salary_currency</strong> — текущая зарплата</li>\n<li><strong>area_id</strong> — город, для которого актуальна данная вакансия (расшифровка храниться в таблицы areas.csv)</li>\n<li><strong>employer_id</strong> — работодатель (расшифровка храниться в таблицы  employers.csv)</li>\n<li><strong>type_id</strong> — тип размещения на работном сайте (расшифровка храниться в таблицы  types.csv)</li>\n<li><strong>created_at</strong> — дата и время создания вакансии</li>\n<li><strong>published_at</strong> — дата и время публикации вакансии</li>\n<li><strong>category</strong> — метка кластера (расшифровка храниться в таблице clusters.csv)</li>\n</ul>\n\n<p>Вам нужно по описанию вакансии для всех примеров из тестовой выборки определить <strong>category</strong>.</p>\n\n<p>Заметим, что метки категорий проставлены только для 10% тренировочных данных. Следовательно, предполагается, что вы будете использовать semi-supervised подходы для решения данного конкурса.</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h1>Определение категории вакансии по ее описанию</h1>\n<p>На данный момент, автоматизация подбора персонала является актуальной проблемой. Обычно задача ставится следующим образом: по описанию вакансии отобрать подходящих кандидатов, основываясь на их резюме. </p>\n<p>В данном конкурсе мы будем работать с корпусом вакансий, но решать более простую задачу. От вас будет требоваться по описанию вакансии определить к какой категории она относиться (например, Юриспруденция, Продажи и т.п.). Всего данные разбиты на 28 категорий. Каждая вакансия может относиться лишь к одной категории. </p>\n<p>Отметим, что данные не сбалансирование и могут содержать пропуски.</p>\n<h2>Обратите внимание!</h2>\n<ul>\n<li>Ваше имя в лидерборде должно иметь вид Фамилия Имя (Место учебы). Например, Козлова Анна (ШАД). Для изменения имени надо зайти в раздел My Team. Если ваше имя не совпало с тем, под которым вы зарегистрированы в энитаске, баллы проставлены НЕ будут.</li>\n<li>Решать задание необходимо в одиночку.</li>\n<li>Запрещается использование принципиально новых алгоритмов, которые еще не проходились в курсе.</li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "\n<h2>Метрика</h2>\n<p>В качестве метрики качества используют <a href=\"https://simonhessner.de/why-are-precision-recall-and-f1-score-equal-when-using-micro-averaging-in-a-multi-class-problem/\">Micro Average F1 score</a>, которая представляет собой совместную оценку точности (Precision) и полноты (Recall). Данная метрика вычисляется по следующей формуле:</p>\n<p>\\[ Micro Average F1 = 2\\frac{Precision \\cdot Recall}{Precision + Recall}\\]</p>\n<p>\\[Precision = \\frac{TP}{TP+FP} \\text{, } Recall = \\frac{TP}{TP+FN}\\]</p>\n<h2>Submission Format</h2>\n<p>Отправлять необходимо файл с двумя колонками: \n</p><ul>\n<li><strong>id</strong> — идентификатор вакансии </li>\n<li><strong>category</strong> — номер категории</li>\n</ul> \n<p></p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}