{
  "fetched_at": "2026-10-19T07:24:24Z",
  "source_url": "https://www.kaggle.com/competitions/emnistfhj-2024/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Trainingsdaten und Testdaten liegen jeweils als .csv Dateien vor.\nSie enthalten einen eindeutigen id_code und 784 Pixelwerte, die Traininigsdaten zudem eine \"label\" Spalte als wahren Wert der zu klassifizierenden Zeichen. Das Trainingsset umfasst 651404 Bilder, das Testset 162951.\n\nJedes Bild ist 28 Pixel hoch und 28 Pixel breit, also insgesamt die genannten 784 Pixel. Jedem Pixel ist ein einzelner Pixelwert zugeordnet, der die Helligkeit dieses Pixels repräsentiert. Dieser Pixelwert ist eine ganze Zahl zwischen 0 und 255.\n\nDie Werte in der \"label\" Spalte enthalten des ASCII Code des dargestellten Zeichens, also\n48 für \"0\"\n49 für \"1\"\n65 für \"A\"\n90 für \"Z\"\n97 für \"a\"\n122 für \"z\"\nDie Submission muss in umgekehrter Weise auch den ASCII Code der erkannten Zeichen enthalten\n\nDie Datei train.csv enthält id_code, label und Pixeldaten für das Trainingsset.\nDie Datei test.csv enthält id_code und Pixeldaten für das Testset.\nDie Datei sample_submission.csv enthält eine valide Muster-Submission, welche alle Testbilder als Ziffer 0 (ASCII 48) klassifiziert.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "**Beschreibung**\n\nMNIST (\"Modified National Institute of Standards and Technology\") ist der \"hello world\" Datensatz des Machine Learning der Computervision. Seit seiner Veröffentlichung im Jahr 1999 dient dieser klassische Datensatz von Bildern handgeschriebener Ziffern als Grundlage für das Benchmarking von Klassifikationsalgorithmen. \nEine Erweiterung hiervon bildet der EMNIST Datensatz, in dem neben den Ziffern von 0 bis 9 auch Klein- und Großbuchstaben von A-Z/a-z zur Klassifikation stehen.\n\nIn diesem Wettbewerb ist es Ihr Ziel, Buchstaben und Ziffern aus einem Datensatz von Hunderttausenden von handgeschriebenen Bildern korrekt zu klassifizieren. Sowohl klassische Algorithmen des Shallow-Learning als auch Algorithmen des Deep Learning können auf diesen Datensatz angewendet werden.\n\nUnabhängig vom angewendeten Algorithmus wird die Lösung in Form eines .cvs Files hochgeladen und die Richtigkeit des Ergebnisses automatisch evaluiert. Ziel ist es mit Hilfe von Shallow Learning Methoden (Logistic Regression, Decision Tree, Gradient Boosting, etc.) oder Methoden des Deep Learning (Convolutional Neural Nets) eine bestmögliche Performance zu erzielen.\n\n**Acknowledgements**\n\nCohen, G., Afshar, S., Tapson, J., & van Schaik, A. (2017). EMNIST: an extension of MNIST to handwritten letters. Retrieved from http://arxiv.org/abs/1702.05373",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "**Bewertungs Metrik**\n\nIhre Submissions werden anhand der Kategorisierungsgenauigkeit (accuracy) Ihrer Klassifikationen bewertet - der Prozentsatz der Bilder, die Sie korrekt klassifizieren.\nSubmission Format\n\nIn Anlehnung an die Muster-Submission sample_submission.csv müssen im Abgabe-File zwei Spalten \"id_code\" und \"label\" für das gesamte Testset (20000 Bilder) enthalten sein. \n\n```python\nid_code,label\ntest_00000,7\ntest00001,2\ntest00002,1\n...\n```\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "**Teams**\nTeams mit bis zu 3 Teammitgliedern sind erlaubt. \nDie abgegebene Lösung (submission) und die Code-Teile des jupyter-Notebooks können identisch sein.\nACHTUNG: 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.\n\n**Hinweise zur Bewertung der Performance**\nDas Testset ist unterteilt in ein Public-Testset (50%) und ein Private Testset (50%).\nDie Performance über das Public-Testset ist sofort nach der submission sichtbar.\nDie Performance über das Private Testset ist erst nach Beendigung des Wettbewerbes sichtbar.\nZur Beurteilug wird ausschließlich die Performance über das Private Testset herangezogen.\n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": " ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}