Skeletons Don’t Lie: Can AI Decode Your Moves?

ამოცანის აღწერა

🦴📊 Skeletons Don’t Lie: Can AI Decode Your Moves? 🤖

🧾 აღწერა

მოცემულია მონაცემთა ნაკრები, რომელიც შეიცავს ადამიანის მოძრაობის თანმიმდევრობებს, თითოეული შედგება რამდენიმე კადრისგან (FrameNumber).
თითოეული კადრი მოიცავს სხეულის 25 სახსრის 3D პოზიციას, წარმოდგენილს კოორდინატებით:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.

თითოეული კადრი დაკავშირებულია თანმიმდევრობის იდენტიფიკატორთან (IDSample) და ორ ლეიბლთან:

Action — შესრულებული მოქმედება
Camera — კამერა, რომელმაც ჩაწერა თანმიმდევრობა

25 სახსრის სივრცითი განაწილების უკეთ გასაგებად:

25 სახსრის სივრცითი განაწილება

🔢 შესაძლო მოქმედებები

0: ქურთუკის ჩაცმა (wear jacket)
1: ქუდის მოხდა (take off a hat/cap)
2: ცალ ფეხზე ხტომა (hopping)
3: ზემოთ ახტომა (jump up)
4: დაცემა (falling)

🎥 შესაძლო კამერები

1: 45°-იანი ხედვის კუთხე (მარცხნიდან ან მარჯვნიდან)
2: ხედი წინიდან
3: ხედი გვერდიდან (მარცხნიდან ან მარჯვნიდან)

🧮 ქვეამოცანა 1 — კადრების დათვლა თანმიმდევრობაში (10 ქულა)

თითოეული უნიკალური IDSample-ისთვის განსაზღვრეთ, რამდენი კადრია ხელმისაწვდომი ტესტური მონაცემების ნაკრებში (test_data.csv).
ეს ანალიზი გვეხმარება თითოეული მოქმედებისთვის მონაცემთა დროით-სივრცითი განაწილების გაგებაში.

🧠 ქვეამოცანა 2 — მოქმედების კლასიფიკაცია თანმიმდევრობის დონეზე (40 ქულა)

სასწავლო მონაცემების გამოყენებით, გაწვრთენით კლასიფიკაციის მოდელი, რომელსაც შეუძლია ამოიცნოს კადრების თანმიმდევრობაში შესრულებული მოქმედება.
გამოიყენეთ მოდელი ტესტურ მონაცემებზე და თითოეული უნიკალური IDSample-ისთვის იწინასწარმეტყველეთ ყველაზე სავარაუდო მოქმედება.

📊 შეფასების მეტრიკა

მოდელის ეფექტურობა შეფასდება სიზუსტით (accuracy), რომელიც განისაზღვრება შემდეგნაირად:

$\text{Accuracy}=\frac{\text{Number of correct predictions}}{\text{Total number of predictions}}$

სრული ქულის მისაღებად, მიღწეული სიზუსტე უნდა იყოს მინიმუმ 0.965.

🎥 ქვეამოცანა 3 — კამერის იდენტიფიკაცია (50 ქულა)

სასწავლო მონაცემების გამოყენებით, გაწვრთენით მოდელი, რომელსაც შეუძლია იწინასწარმეტყველოს, რომელმა კამერამ ჩაწერა მოცემული კადრების თანმიმდევრობა.
გამოიყენეთ მოდელი ტესტურ ნაკრებზე და მიუთითეთ თითოეული IDSample-ისთვის ყველაზე სავარაუდო კამერა.

📊 შეფასების მეტრიკა

მოდელის ეფექტურობა კვლავ ფასდება სიზუსტით (accuracy):

$\text{Accuracy}=\frac{\text{Number of correct predictions}}{\text{Total number of predictions}}$

სრული ქულის მისაღებად, მიღწეული სიზუსტე უნდა იყოს მინიმუმ 0.8.

📦 გამოსავლის ფორმატი

საბოლოო შედეგი უნდა იყოს CSV ფაილი სახელად output.csv, რომელიც შეიცავს ზუსტად 3 სვეტს:

subtaskID	datapointID	answer
1	IDSample ფაილიდან `test_data.csv`	შესაბამისი პასუხი ამ ქვეამოცანისთვის

🗂️ სასარგებლო რესურსები

Complete Starter Kit – შეიცავს ჩონჩხს ამოცანის ამოხსნის დასაწყებად.
Problem Statement PDF – შეიცავს დავალების დეტალურ აღწერას და ფიგურებს.

ფაილები

ამოცანის ფაილების ჩამოტვირთვა

ამონახსნის გაგზავნა

შედეგების ფაილი ხელით ატვირთეთ. ასევე შეგიძლიათ საწყისი კოდის დართვა.ჯამში მაქსიმუმ 100 მბ

გაგზავნილის ფაილი

დააწკაპუნეთ ასატვირთად ან გადმოიტანეთ

CSV, ZIP და სხვ. (მაქს. 100MB)

საწყისი კოდის ფაილი (არასავალდებულო)

დააწკაპუნეთ ასატვირთად ან გადმოიტანეთ

არქივი, ნოუთბუქი ან კოდის ფაილი

შედით გაგზავნილის ასატვირთად.

ან

იმუშავეთ და გაგზავნეთ Google Colab-იდან

გახსენით ამ ამოცანისთვის მომზადებული ნოუთბუქი. პირველი უჯრედი ამოცანას აკავშირებს და ხელმისაწვდომ მონაცემებს ჩამოტვირთავს; როცა მზად იქნებით, ფაილები შეფასებისთვის პირდაპირ ნოუთბუქიდან გაგზავნეთ.

Colab-იდან გაგზავნილი ნამუშევრები შეფასების იმავე სისტემასა და იმავე ლიმიტებს იყენებენ. შედეგს თვალი ადევნეთ „ჩემი გაგზავნილები“ განყოფილებაში.

MLCompete-ს წვდომა აქვს მხოლოდ Google Drive-ში მის მიერ შექმნილ ნოუთბუქზე და არა თქვენს სხვა ფაილებზე.

არ იხსნება? გამოიყენეთ დროებითი კოდი

კოდი აქ შექმენით, გახსენით საჯარო ნოუთბუქი და შეიყვანეთ, როცა პირველი უჯრედი მოგთხოვთ.

სამუშაო სივრცის კოდის შესაქმნელად ჯერ MLCompete-ში შედით.

საჯარო ნოუთბუქის Colab-ში გახსნა

სამუშაო სივრცის კოდი მხოლოდ მაშინ ჩასვით, როცა ნოუთბუქი მოგთხოვთ. ის სხვას არასდროს გაუზიაროთ.

Skeletons Don’t Lie: Can AI Decode Your Moves? - სირთულე:...