{
  "fetched_at": "2026-10-19T12:44:58Z",
  "source_url": "https://www.kaggle.com/competitions/eestech-challenge-task-1/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Files\n\n*   **train.csv** - the training set\n*   **test.csv** - the test set\n*   **sample_submission.csv** - a sample submission file in the correct format. Η υποβολή αυτή επιλέγει τυχαία ομοιόμορφα {0,1}.\n\n## Columns\n\n### train.csv\n\n* Column 1 - Protein ID\n* Column 2  - Η κλάση: 0 αν δεν είναι AFP, 1 αν είναι\n* Columns 3 - 23 - Amino acid percent Composition(AAC)\n* Columns 24 - 1742 - Dipeptide Composition, etc\n\n### train.csv\n\n* Column 1 - Protein ID\n* Columns 2 - 22 - Amino acid percent Composition(AAC)\n* Columns 23 - 1741 - Dipeptide Composition, etc\n\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Οι αντιψυκτικές πρωτεΐνες (antifreeze proteins - AFPs) ή πρωτεΐνες δόμησης πάγου (ice structuring proteins - ISPs) αναφέρονται σε μια κατηγορία πολυπεπτιδίων που παράγονται από ορισμένα ζώα, φυτά, μύκητες και βακτήρια και επιτρέπουν την επιβίωσή τους σε θερμοκρασίες κάτω από το σημείο κατάψυξης του νερού. Οι AFPs δεσμεύονται σε μικρούς κρυστάλλους πάγου για να εμποδίσουν την ανάπτυξη και την ανακρυστάλλωση πάγου που διαφορετικά θα ήταν θανατηφόρος. Η εργασία αυτή υποδηλώνει τη συμμετοχή των AFPs στον εγκλιματισμό στο κρύο.\n\nΤα δεδομένα σας περιλαμβάνουν πρωτεΐνες που έχουν αντιψυκτικές ιδιότητες (AFPs) και πρωτεϊνες που δεν έχουν. Στόχος σας είναι να αναπτύξετε σύστημα που να μαθαίνει να τις διακρίνει. ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Macro-F1\n\nThe macro-averaged F1 score (or macro F1 score) is computed by taking the arithmetic mean (aka unweighted mean) of all the per-class F1 scores. This method treats all classes equally regardless of their support values aka does not take label imbalance into account.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}