{
  "fetched_at": "2026-10-19T10:19:35Z",
  "source_url": "https://www.kaggle.com/competitions/dl-itba-cifar-100-2024-q-1/data",
  "pages": [
    {
      "name": "data-description",
      "content": "x_train: imagenes de train  \nx_test: imagenes de test  \ny_train_fine: anotaciones de train\ny_train_coarse: anotaciones de train (de grano grueso)\nXXXX_label_names: descripcion de labels",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Esta competencia consiste en desarrollar una red convolucional para clasificación de imágenes. Se utilizará el dataset CIFAR-100, que consiste en imágenes fotográficas a color de 32x32 píxeles, clasificadas en 100 clases distintas. El dataset tiene un set de train de 50.000 imágenes (500 de cada clase) y un set de test de 10.000 imágenes (100 de cada clase)\n\nEl objetivo es explorar distintas redes y configuraciones de hiperparámetros, utilizando el set de train para entrenar los modelos. Para aplicar técnicas de validación cruzada u otros muestreos de validación, deberá utilizar el set de train.\n\nSe le mostrarán las imágenes de testeo pero no contará con las etiquetas de las clases correspondientes.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Deberá generar una notebook que corra automáticamente en un kernel de Kaggle, que tome como input los archivos de Data de la competencia y que entregue como output un csv análogo a cifar100_train.csv pero con las predicciones que su modelo obtenga para cada imagen de test.\n\nEl submission file debe ser un csv con dos columnas: Image y Label. La columna image debe tener el path relativo a cada archivo del set de test y la columna Label debe tener el nombre de la clase inferida por el modelo.\n\nLa métrica de evaluación que se utilizará es Categorization Accuracy: el valor de accuracy (proporción de predicciones correctas sobre totales) promediado a lo largo de todas las clases.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "No hagan trampa",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}