جارٍ التحميل...
الصعوبة
أفضل نتيجة لك
غير متوفر
عندما نتعامل مع اللوحات المشهورة، يجب أن نأخذ في الاعتبار أيضاً الخصائص الموضوعية مثل حجم القماش، نوع الفرشاة التي رُسمت بها، التعقيد البصري أو كثافة الألوان، بالإضافة إلى الجودة الفنية لهذه اللوحات. التقدير التلقائي للقيمة وتحديد أسلوب الرسام يمكن أن يساعد الجامعين والمتاحف في تحليل مجموعات كبيرة من الأعمال.
لحل هذه المشكلة ستكون لديكم ملفان متاحان:
train.csv – يحتوي على جميع المتغيرات، بما في ذلك target_price، لتدريب النماذجtest.csv – يحتوي على نفس المتغيرات، بدون عمود target_price، والبيانات من هذا الملف تُستخدم لتوليد التنبؤات| Column | DType | الوصف |
|---|---|---|
| SampleID | int | معرف فريد للوحة |
| canvas_size | object | حجم القماش (مثال "80x50") |
| is_oil_painting | bool | مؤشر ما إذا كانت اللوحة رسم زيتي |
| brush_type | object | نوع الفرشاة المستخدمة |
| num_colors | int | عدد الألوان المستخدمة |
| colorfulness | float | درجة الألوان |
| complexity | float | التعقيد البصري |
| brightness | float | سطوع اللوحة |
| contrast | float | تباين اللوحة |
| stroke_density | float | كثافة الفرشاة |
| has_signature | bool | ما إذا كانت اللوحة تحتوي على توقيع |
| is_framed | bool | ما إذا كانت اللوحة مؤطرة |
| uses_gold_leaf | bool | ما إذا كانت اللوحة تستخدم ورق الذهب |
| is_restored | bool | ما إذا كانت اللوحة تم ترميمها |
| dominant_warm_colors | bool | ما إذا كانت الألوان الدافئة مهيمنة |
| dominant_color | object | اللون المهيمن |
| art_period_hint | object | تلميح الفترة الفنية |
| auction_house | object | دار المزادات |
| image_quality | object | جودة الصورة |
| brightness_log | float | السطوع اللوغاريتمي |
| complexity_x_stroke | float | التعقيد × كثافة الفرشاة |
| fake_style_score | float | نقاط الأسلوب المزيف |
| painter_style_score | float | نقاط أسلوب الرسام |
| target_price | int | سعر اللوحة (فقط في train.csv) |
لهذه المشكلة عليكم حل 3 مهام.
مؤخراً، تم اكتشاف خوارزمية ثورية من قبل مجموعة من الباحثين في الذكاء الاصطناعي والفن. يمكنها تقييم، بناءً على الخصائص الموضوعية للوحة، ما إذا كانت اللوحة أصلية بالتأكيد أم لا.
لكل لوحة، تحسب الخوارزمية نقاط الأصالة الفنية (SAA) باستخدام القواعد التالية:
stroke_density > 0.7، أضف 2 نقطة إلى SAA.complexity > 0.65، أضف 2 نقطة إلى SAA.uses_gold_leaf = True، أضف 1 نقطة إلى SAA.has_signature = True، أضف 1 نقطة إلى SAA.num_colors > 65 و colorfulness > 0.7، أضف 2 نقطة إلى SAA.contrast < 0.4 أو brightness < 0.45 أو brightness > 0.75، اطرح 1 نقطة من SAA.بعد حساب النقاط، تحصل اللوحة على التصنيف:
أصلية: إذا كان SAA ≥ 5
غير مؤكدة: إذا كان SAA < 5
Answer في ملف التسليم سيكون أصلية أو غير مؤكدة لكل لوحة في test.csv.
من المعروف أن اللوحات في مجموعة البيانات تم إنجازها من قبل 5 رسامين مشهورين، لكن المعلومات حول الرسام غير متوفرة.
مهمتكم هي إسناد كل لوحة في test.csv معرف رقمي بين 0 و 4، بحيث تحصل اللوحات المنجزة من قبل نفس الرسام على نفس المعرف.
Answer في ملف التسليم سيكون المعرف الرقمي (0، 1، 2، 3 أو 4) لكل لوحة في test.csv.لكل لوحة مدرجة في train.csv لدينا سعر محدد (عمود target_price). بناءً على المعلومات المتوفرة في train.csv، درّبوا نموذج ذكاء اصطناعي قادر على التنبؤ بسعر اللوحات في test.csv.
ملف submission.csv يجب أن يحتوي على:
SampleID - مأخوذ من ملف test.csv؛subtaskID - يمكن أن يكون: Task1، Task2، Task3؛Answer - القيمة المحسوبة أو المقدرة للوحة المشار إليها بـ SampleID في المهمة المشار إليها بـ subtaskID.لهذه المهمة الفرعية تُستخدم المقارنة الدقيقة بين الإجابات المرسلة (أصلية / غير مؤكدة) والتصنيفات الصحيحة.
التقييم يتم باستخدام Adjusted Rand Index (ARI).
التقييم يتم باستخدام Mean Absolute Error (MAE).
القواعد: