{
  "fetched_at": "2026-10-19T06:33:00Z",
  "source_url": "https://www.kaggle.com/competitions/dat18seefood/data",
  "pages": [
    {
      "name": "rules",
      "content": "<h2>Teams</h2>\n<p>Teams mit bis zu 3 Teammitgliedern sind erlaubt. <br>Die abgegebene Lösung (submission) und die Code-Teile des jupyter-Notebooks können identisch sein.</p>\n<p><strong>ACHTUNG:</strong> Die Dokumentation des Codes muss eine Erläuterung der wichtigsten Berechnungsschritte beinhalten und ist von jedem Studierenden individuell zu verfassen. Diese dürfen auch innerhalb eines Teams NICHT identisch sein. Identische Abgaben - auch innerhalb eines Teams - werden mit 0 Punkten bewertet.</p>\n\n<h2>Abgabe</h2>\nAbzugeben sind:<br>\n<ul>\n   <li>Gültige Kaggle Submission</li>\n   <li>jupyter Notebook - Abgabe über Moodle-Plattform</li>\n</ul>\n\n\n<h2>Beurteilung</h2>\n<p>\nPerformance - 40%<br>\nSchriftliche Dokumentation als Teil des abgegebene jupyter-Notebooks (Individuell) - 40%<br>\nErgebnispräsentation am 30.1.2020 - 20%</p>\n\n<h2>Hinweise zur Bewertung der Performance</h2>\n<p>\nDas Testset ist unterteilt in ein Public-Testset (50%) und ein Private Testset (50%).<br>\nDie Performance über das Public-Testset ist sofort nach der submission sichtbar.<br>\nDie Performance über das Private Testset ist erst nach Beendigung des Wettbewerbes sichtbar.<br>\nZur Beurteilug wird ausschließlich die Performance über das Private Testset herangezogen.<br><br>\n<ul>\n   <li>Keine gültige Abgabe: 0% der Punkte</li>\n   <li>Accuracy kleiner als die Benchmark Lösung ca 40%: 50% der Punkte</li>\n   <li>50% bis 100% der Punkte werden linear im Bereich zwischen der Benchmark-Lösung und der besten Lösung vergeben.</li>\n</ul>\n</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<p>Trainingsdaten und Testdaten liegen in den jeweiligen Ordnern \"test\" und \"train\" und enthalten .jpg Bilder.<br>\nDas Trainingsset umfasst 75.750 Bilder, das Testset 25250.</p>\n<p>Die Dateinamen setzen sich aus dem id_code und der Dateierweiterung .jpg zusammen<br>z.B. id_code = \"train00000\" --> Dateiname \"train00000.jpg\"</p>\n<p>Die Datei train.csv enthält id_code und label für das Trainingsset<br>\nDie Datei test.csv enthält id_code für das Testset</p>\n<p>Die Datei sample_submission.csv enthält eine valide Muster-Submission, welche alle Testbilder als Ziffer 0 klassifiziert</p",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h2>Beschreibung</h2>\n<p>Der Food 101 Datensatz - auch verfügbar unter <a href=\"https://www.vision.ee.ethz.ch/datasets_extra/food-101/\">https://www.vision.ee.ethz.ch/datasets_extra/food-101/</a> - enthält Bilder von Lebensmitteln bzw. Gerichten eingeteilt in 101 Klassen. Es wurde in der Publikation \"Food-101 - Mining Discriminative Components with Random Forests\" von Lukas Bossard, Matthieu Guillaumin und Luc Van Gool vorgestellt.</p>\n<p>Dieser anspruchsvolle Datensatz umfasst 101.000 Bilder, 1000 je Klasse, wovon jeweils 750 zum Trainingsset und 250 zum Testset zählen.</p>\n<p>Die Trainingsbilder wurden bewusst nicht aufbereitet und enthalten daher noch etwas Rauschen in Form von unterschiedlichen Bildeigenschaften hinsichtlich Helligkeit, Sättigung, etc. und evtl. inkorrekten Labels. Alle Bilder wurden so skaliert, dass sie eine maximale Seitenlänge von 512 Pixel aufweisen. </p>\n<p>Im Zuge der Lehrveranstaltung „Projekt Machine Learning“ des Master Programms DAT18 ist es Teil der Projekt-Aufgabenstellung eine Lösung in Form eines .cvs Files hochzuladen und die Performance des Algorithmus zu evaluieren.</p><br>\n\n\n<h2>Acknowledgements</h2>\n<p>The Food-101 data set consists of images from Foodspotting [1] which are not property of the publisher - Federal Institute of Technology Zurich (ETHZ). Any use beyond scientific fair use must be negociated with the respective picture owners according to the Foodspotting terms of use [2].</p>\n<p>[1] <a href=\"http://www.foodspotting.com\">http://www.foodspotting.com</a></p>\n<p>[2] <a href=\"http://www.foodspotting.com/terms\">http://www.foodspotting.com/terms</a></p>\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "<h2>Bewertungs Metrik</h2>\n<p>Ihre Submissions werden anhand der Kategorisierungsgenauigkeit (accuracy) Ihrer Klassifikationen bewertet - der Prozentsatz der Bilder, die Sie korrekt klassifizieren.\n</p><h2>Submission Format</h2>\n<p>In Anlehnung an die Muster-Submission sample_submission.csv müssen im Abgabe-File zwei Spalten \"id_code\" und \"label\" für das gesamte Testset (25250 Bilder) enthalten sein. </p>\n<pre>id_code,label<br>test1011328,7<br>test101251,67<br>test1034399,13<br>...</pre>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Timeline",
      "content": "<h2>Timeline</h2>\n<p>Submissions sind möglich bis zum 26.1.2020, 23:59 UTC</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}