{
  "fetched_at": "2026-10-19T10:42:19Z",
  "source_url": "https://www.kaggle.com/competitions/curso-de-verano-uc-2023/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Archivos\n\n* *X_train.npy*: Dataset de entrenamiento\n* *Y_train.npy*: Variable objetivo de entrenamiento\n* *x_test.npy*:  Dataset de test\n* *images_train.npy*:  Imágenes de las galaxias de train\n* *images_test.npy*:  Imágenes de las galaxias de test\n* *sampleSubmission.csv*: Ejemplo de resultado. Observar formato",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "# Bienvenidos 🎉 \nEsta es una competición para el curso de verano de la UC de 2023. El objetivo es tratar de aplicar lo aprendido en la plataforma de competiciones más famosa del mundo. Para ello iremos explicando a continuación el uso básico de la plataforma. No queremos que esa parte lastre el verdadero objetivo de la competición.\n\nLa competición es simple. Usar todo lo que sepas para obtener el mejor resultado posible.\n\n<div class=\"note\">\n<strong>Tutoriales recomendados</strong><br>\nRecomendamos <a href=\"https://www.kaggle.com/alexisbcook/titanic-tutorial\">Alexis Cook’s Titanic Tutorial</a>. Un tutorial basado en la clásica competición sobre el Titanic ya que explora el uso y trabajo dentro de la plataforma de Kaggle paso a paso.\n</div>\n\n# La competición\n\nLa competición consiste en desarrollar un clasificador capaz de determinar la morfología de galaxias con datos del proyecto Sloan Digital Sky Survey. Disponibilizamos datos procesados de catálogo (masa y color) y las propias imágenes registradas.\n\n\n# Como funcionan las competiciones de Kaggle\n\n1.    *Únase al concurso*: Lea la descripción del reto, acepte las Normas del Concurso y acceda al conjunto de datos del concurso.\n\n2. *Ponerse a trabajar*: Descargue los datos, construya modelos sobre ellos localmente o en Kaggle Kernels (nuestro entorno de Jupyter Notebooks personalizable y sin configuración con GPUs gratuitas) y genere un archivo de predicción.\n\n3. *Hacer un envío*: Sube tu predicción como un envío a Kaggle y recibe una puntuación de precisión.\n\n4. *Consulta la tabla de clasificación*: Vea cómo su modelo se clasifica en comparación con otros Kagglers en nuestra tabla de clasificación (sobre un porcentaje del 30% del *test set.\n\n5. *Mejora tu puntuación*: Consulta el foro de discusión para encontrar un montón de tutoriales y opiniones de otros competidores.\n\n\n# ¿Qué datos usaremos? \n\nLos datos usados se pueden encontrar en la pestaña [Data](https://www.kaggle.com/c/curso-de-verano-uc/data) para más información.\n\nPor un lado tendremos dos archivos de *train: sus características (***X_train***) y variable objetivo (***Y_train***). También tenemos las imágenes correspondientes en ***images_train***.\n\nRespecto al test solo encontraremos el archivo referido a las características (***X_test***). Se dispone, igualmente, de las imágenes en ***imagenes_test***.\n\n\n# ¿Cómo enviar tu resultado?\n\n1. Click en Submit Predictions\n\n2. Subir un .csv siguiendo el formato referido en sampleSubmission.csv\n\n<div class=\"note\">\n<strong>Submission Format</strong><br>\nEl formato de archivo requiere <b>2349</b> registros en dos columnas: (<i>ID</i>, <i>Value</i>)\n</div>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": ".",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}