Híres festmények

Híres festmények

Kontextus

Amikor híres festményekről beszélünk, figyelembe kell vennünk az objektív jellemzőket is, mint például a vászon mérete, az ecset típusa, amellyel festették, a vizuális komplexitás vagy a színek sűrűsége, a művészi minőség mellett. Az érték automatikus becslése és a festő stílusának azonosítása segíthet a gyűjtőknek és múzeumoknak nagy műgyűjtemények elemzésében.

Ennek a problémának a megoldásához két fájl áll rendelkezésre:

• train.csv – tartalmazza az összes változót, beleértve a target_price-t is, a modellek tanításához
• test.csv – ugyanazokat a változókat tartalmazza, a target_price oszlop nélkül, és ebből a fájlból származó adatok használatosak a predikciók generálásához

Az adathalmaz leírása

Követelmények

Ennél a problémánál 3 feladatot kell megoldani.

1. feladat – Művészi hitelességi pontszám (20 pont)

Nemrégiben egy forradalmi algoritmust fedezett fel egy mesterséges intelligencia és művészet kutatócsoportja. Ez a festmény objektív jellemzői alapján képes értékelni, hogy egy festmény biztosan hiteles-e vagy sem.

Minden festményhez az algoritmus kiszámít egy Művészi Hitelességi Pontszámot (MHP) a következő szabályok használatával:

1. Ha stroke_density > 0.7, adj hozzá 2 pontot az MHP-hoz.
2. Ha complexity > 0.65, adj hozzá 2 pontot az MHP-hoz.
3. Ha uses_gold_leaf = True, adj hozzá 1 pontot az MHP-hoz.
4. Ha has_signature = True, adj hozzá 1 pontot az MHP-hoz.
5. Ha num_colors > 65 és colorfulness > 0.7, adj hozzá 2 pontot az MHP-hoz.
6. Ha contrast < 0.4 vagy brightness < 0.45 vagy brightness > 0.75, vonj le 1 pontot az MHP-ból.

A pontszám kiszámítása után a festmény a következő címkét kapja:

• Hiteles: ha MHP ≥ 5

• Bizonytalan: ha MHP < 5

• Az Answer a beadási fájlban Hiteles vagy Bizonytalan lesz minden festményhez a test.csv-ből.

2. feladat – Festmények csoportosítása festő stílusa szerint (40 pont)

Ismert, hogy az adathalmazban lévő festményeket 5 híres festő készítette, de a festőre vonatkozó információ nem elérhető.

A feladatotok az, hogy minden festményhez a test.csv-ből hozzárendeljetek egy 0 és 4 közötti numerikus ID-t, úgy, hogy az ugyanazon festő által készített festmények ugyanazt az ID-t kapják.

• Az Answer a beadási fájlban a numerikus ID (0, 1, 2, 3 vagy 4) lesz minden festményhez a test.csv-ből.
• Az ugyanazon festő által készített összes festménynek ugyanazt az ID-t kellene kapnia.

3. feladat – Festmények árának becslése (40 pont)

Minden, a train.csv-ben szereplő festményhez megadott egy ár (a target_price oszlop). A train.csv-ben elérhető információk alapján tanítsatok egy Mesterséges Intelligencia modellt, amely képes a test.csv-ben lévő festmények árát megjósolni.

A beadási fájl formátuma

A submission.csv fájlnak tartalmaznia kell:

• SampleID - a test.csv fájlból átvéve;
• subtaskID - lehet: Task1, Task2, Task3;
• Answer - a SampleID-val jelzett festményhez a subtaskID-val jelzett feladatnál kiszámított vagy becsült érték.

Értékelés

1. részfeladat – Hitelességi pontszám

Ennél a részfeladatnál pontos összehasonlítást használunk a beküldött válaszok (Hiteles / Bizonytalan) és a helyes címkék között.

• Maximális pontszám csak akkor adható, ha minden válasz helyes.
• Ha vannak hibás válaszok, a pontszám arányosan adható, egyszerű hármas szabályt használva.

2. részfeladat – Festők csoportosítása

Az értékelés Adjusted Rand Index (ARI) használatával történik.

• Maximális pontszám akkor adható, ha:

• E küszöb alatti értékekhez a pontszám arányosan adható.

3. részfeladat – Ár predikció

Az értékelés Mean Absolute Error (MAE) használatával történik.

Szabályok:

• MAE ≤ 600 → maximális pontszám
• MAE ≥ 2000 → 0 pont
• E két küszöb közötti értékekhez a pontszám arányosan adható.