Peintures célèbres

Peintures célèbres

Contexte

Lorsque nous nous référons aux tableaux célèbres, nous devons tenir compte également de caractéristiques objectives comme la dimension de la toile, le type de pinceau avec lequel il a été peint, la complexité visuelle ou la densité des couleurs, en plus de leur qualité artistique. L'estimation automatique de la valeur et l'identification du style du peintre peuvent aider les collectionneurs et les musées à analyser de grandes collections d'œuvres.

Pour résoudre ce problème, vous aurez à disposition deux fichiers :

• train.csv – contient toutes les variables, y compris target_price, pour l'entraînement des modèles
• test.csv – contient les mêmes variables, sans la colonne target_price, et les données de ce fichier sont utilisées pour générer les prédictions

Description du jeu de données

Exigences

Pour ce problème, vous devez résoudre 3 tâches.

Task 1 – Score d'authenticité artistique (20 points)

Récemment, un algorithme révolutionnaire a été découvert par un groupe de chercheurs en intelligence artificielle et art. Celui-ci peut évaluer, sur la base des caractéristiques objectives du tableau, si un tableau est certainement authentique ou non.

Pour chaque tableau, l'algorithme calcule un Score d'Authenticité Artistique (SAA) en utilisant les règles suivantes :

1. Si stroke_density > 0.7, ajouter 2 points au SAA.
2. Si complexity > 0.65, ajouter 2 points au SAA.
3. Si uses_gold_leaf = True, ajouter 1 point au SAA.
4. Si has_signature = True, ajouter 1 point au SAA.
5. Si num_colors > 65 et colorfulness > 0.7, ajouter 2 points au SAA.
6. Si contrast < 0.4 ou brightness < 0.45 ou brightness > 0.75, soustraire 1 point du SAA.

Après calcul du score, le tableau reçoit l'étiquette :

• Authentique : si SAA ≥ 5

• Incertain : si SAA < 5

• Answer dans le fichier de soumission sera Authentique ou Incertain pour chaque tableau de test.csv.

Task 2 – Regroupement des tableaux selon le style du peintre (40 points)

On sait que les tableaux du jeu de données ont été réalisés par 5 peintres célèbres, mais l'information sur le peintre n'est pas disponible.

Votre tâche est d'attribuer à chaque tableau de test.csv un ID numérique entre 0 et 4, de sorte que les tableaux réalisés par le même peintre reçoivent le même ID.

• Answer dans le fichier de soumission sera l'ID numérique (0, 1, 2, 3 ou 4) pour chaque tableau de test.csv.
• Tous les tableaux réalisés par le même peintre devraient avoir le même ID.

Task 3 – Estimation du prix des tableaux (40 points)

Pour chaque tableau inclus dans train.csv, nous avons spécifié un prix (colonne target_price). Sur la base des informations disponibles dans train.csv, entraînez un modèle d'Intelligence Artificielle qui soit capable de prédire pour les tableaux de test.csv le prix.

Format du fichier de soumission

Le fichier submission.csv doit contenir :

• SampleID - repris du fichier test.csv ;
• subtaskID - peut être : Task1, Task2, Task3 ;
• Answer - la valeur calculée ou estimée pour le tableau indiqué par SampleID à la tâche indiquée par subtaskID.

Évaluation

Subtask 1 – Score d'authenticité

Pour cette sous-tâche, on utilise la comparaison exacte entre les réponses soumises (Authentique / Incertain) et les étiquettes correctes.

• Le score maximum est accordé seulement si toutes les réponses sont correctes.
• S'il y a des réponses incorrectes, le score est accordé proportionnellement, en utilisant la règle de 3 simple.

Subtask 2 – Regroupement peintres

L'évaluation se fait en utilisant Adjusted Rand Index (ARI).

• Le score maximum est accordé si :

• Pour des valeurs sous ce seuil, le score est accordé proportionnellement.

Subtask 3 – Prédiction du prix

L'évaluation se fait en utilisant Mean Absolute Error (MAE).

Règles :

• MAE ≤ 500 → score maximum
• MAE ≥ 2000 → 0 point
• Pour des valeurs entre ces deux seuils, le score est accordé proportionnellement.