مصادقة الصور القديمة

وصف المسألة

تدرس الذكاء الاصطناعي منذ فترة. صديق قديم لوالدك، عالم آثار وناقد فني مشهور، سمع عن ذلك وطلب مساعدتك. عليك تصميم خوارزمية قادرة على تصنيف اللوحات القديمة إما كقطع أصلية أو كنسخ مقلدة.

نظراً لأن المصادقة المهنية مكلفة، حصل فريق البحث على تسميات الأصالة لجزء صغير فقط من اللوحات. بالنسبة لمعظم العينات، تبقى الأصالة غير معروفة. من المعروف أن الخصائص الرقمية للوحات تظهر أنماطاً هيكلية قوية. مهمتك هي استخدام جميع العينات المتاحة - بما في ذلك تلك ذات التسميات غير المعروفة - لتدريب نموذج لتصنيف أصالة اللوحات القديمة.

مجموعة البيانات

تتكون مجموعة البيانات من مجموعة تدريب ومجموعة تحقق ومجموعة اختبار، كل منها تحتوي على 500 عينة مستقلة.

مجموعة التدريب (training_set.csv)

• العمود الأول يمثل معرف اللوحة (SampleID).
• الأعمدة الخمسة التالية تمثل الخصائص الرقمية لكل لوحة قديمة (feature1, feature2, feature3, feature4, feature5, feature6).
• العمود السابع (label) يحتوي على التسمية: 1 للأصلي، -1 للنسخة المقلدة و 0 لغير المعروف.

مجموعة التدريب تُستخدم لتدريب النماذج ويمكن الوصول إليها وتحميلها مباشرة أثناء المسابقة.

مجموعة التحقق (validation_set.csv)

• هذه مشابهة لتنسيق مجموعة التدريب، لكنها لا تحتوي على عمود التسمية.

⚠️ مجموعة التحقق تُستخدم لحساب نقاط الترتيب A (العام) ولم تكن متاحة مباشرة أثناء المسابقة.

مجموعة الاختبار (test_set.csv)

• هذه مشابهة لتنسيق مجموعة التدريب، لكنها لا تحتوي على عمود التسمية.

⚠️ مجموعة الاختبار تُستخدم لحساب نقاط الترتيب B (الخاص) ولم تكن متاحة مباشرة أثناء المسابقة.

المهمة

مهمتك هي تدريب نموذج مناسب، قادر على التنبؤ بأصالة اللوحات من مجموعات الاختبار، رغم العدد الكبير من العينات غير المُسماة.

التسليم

يجب أن تولد ملف submission.csv سيكون له التنسيق التالي:

1SampleID, ClasamentType, label2VALIDATION_001, A, 13TEST_001, B, 1

حيث:

• SampleID يمثل معرف اللوحة (مُقدم في validation_set.csv أو test_set.csv).
• ClasamentType سيكون له القيمة A للوحات من validation_set.csv وسيكون له القيمة B للوحات من test_set.csv.
• label هي التسمية المتنبأ بها من النموذج.

النقاط

مقياس التقييم سيكون دقة التصنيف، المُعرفة كنسبة العينات المتنبأ بها بشكل صحيح من العدد الإجمالي للعينات المُقيمة.

النقاط النهائية تُحسب بناءً على الدقة المحققة باستخدام القواعد التالية:

• accuracy ≥ 0.9 → 100 نقطة
• accuracy ≤ 0.5 → 0 نقطة
• للقيم الوسطية تُمنح نقاط متناسبة بين 0 و 100.