{
  "fetched_at": "2026-10-19T09:22:46Z",
  "source_url": "https://www.kaggle.com/competitions/facial-emotion-recognition/data",
  "pages": [
    {
      "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
    },
    {
      "name": "data-description",
      "content": "<p>Данные, для обучения и тестирования скачиваются в стартовом ноутбуке. Вам не обязательно скачивать train.csv и test.csv отсюда: удобнее это будет сделать из стартового ноутбука. </p>\n<h2>File descriptions</h2>\n<ul>\n<li><strong>baseline.ipynb</strong> - стартовый ноутбук с кодом для обучения и примером решения</li>\n<li><strong>strong_baseline.ipynb</strong> -  ноутбук с кодом для обучения и примером улучшенного решения</li>\n<li><strong>train.csv</strong> - данные для обучения</li>\n<li><strong>test.csv</strong> - данные для тестирования </li>\n</ul>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<h2>Задача</h2>\n<p>В этом соревновании вам предлагается распознавать эмоции по выражению лица, используя сверточные нейронные сети. Обучившись на тренировочных данных, вам нужно будет предоставить предсказания на тестовой выборке в виде submission-файла. Submission-файл - это обычная .csv таблица содержащая два столбца - id изображения и предсказание номера класса для него. В конце предоставленных jupyter-ноутбуков есть функция для ее генерации.</p>\n\n<h2>Данные</h2>\n<p> Изображения черно-белые, размера 48х48. В обучающей выборке 28709 изображений, в тестовой - 7178.  </p>\n\n<h2>Пример решения</h2>\n<p> Стартовый ноутбук доступен \n<a href=\"https://drive.google.com/file/d/1ktAWvm_1h3iQiparj_cCb4bPc05S3S-o/view?usp=sharing\"> здесь</a> (выберите \"Открыть с помощью Google Colaboratory\"). В нем вы найдете код для обучения, использования датасета и создания submission-файла, а также инструкции для дальнейшего улучшения модели. </p>\n\nПопробуйте добавить улучшения самостоятельно, и побить baseline. Далее, попробуйте улучшить результат, побив strong-baseline модели, которую вы можете найти <a href=\"https://drive.google.com/file/d/16Zj2Xqw34ymVm7XXg50tEasGAAlaT0Es/view?usp=sharing\"> тут</a>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Метрика, по которой будет оцениваться ваше решение - <a href=\"https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html\"> MeanFScore</a>. \n<p>\n$$MeanFScore = \\frac{1}{L}\\sum_{l=1}^{L} \\frac{2 P_l \\cdot R_l}{P_l + R_l} \\text{, где}$$\n$$L - \\text{число классов}$$ \n$$P_l - \\text{Precision для класса l}$$ \n$$R_l - \\text{Recall для класса l}$$ \n</p>\n\n\n<h2>Формат решения </h2>\n<p><b>submission.csv</b> - файл должен содержать две колонки: `Id` и `Category`. В ноутбуке он генерируется с помощью функции <b><i>submit(model, X_test)</b></i> .</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}