გამოცდის ქულის პროგნოზირება - OJIA 3 სიმულაცია

🏫 გამოცდის ქულის პროგნოზირება

ამ ამოცანისთვის უნდა განახორციელოთ რეგრესიის მოდელი, რომელიც შეძლებს გამოცდაზე მიღებული ქულის (Exam_Score) პროგნოზირებას ხელმისაწვდომი მონაცემთა ნაკრების გამოყენებით. მონაცემთა ნაკრები ორგანიზებულია CSV ფაილში, ხოლო მოდელის შესრულება შეფასდება Mean Absolute Error (MAE)-ის საფუძველზე.

---

🔹 მონაცემთა ნაკრები

მონაცემთა ნაკრები შეიცავს შემდეგ სვეტებს:

• ID: სტუდენტის უნიკალური საიდენტიფიკაციო ნომერი
• Hours_Studied: სწავლაზე დახარჯული საათების რაოდენობა
• Attendance: ლექციებზე დასწრების პროცენტი
• Parental_Involvement: მშობლების ჩართულობის დონე (Low, Medium, High)
• Access_to_Resources: განათლების რესურსებზე წვდომა (Low, Medium, High)
• Extracurricular_Activities: ექსტრაკურიკულურ აქტივობებში მონაწილეობა (Yes/No)
• Sleep_Hours: ღამეში ძილის საათების საშუალო რაოდენობა
• Previous_Scores: ადრე გამოცდებზე მიღებული ქულები
• Motivation_Level: მოტივაციის დონე (Low, Medium, High)
• Internet_Access: ინტერნეტზე წვდომა სწავლისთვის (Yes/No)
• Tutoring_Sessions: რეპეტიტორობის სესიების რაოდენობა
• Family_Income: ოჯახის შემოსავალი (Low, Medium, High)
• Teacher_Quality: მასწავლებლების ხარისხი მოსწავლის მიერ აღქმული (Low, Medium, High)
• School_Type: სკოლის ტიპი (Public/Private)
• Peer_Influence: თანატოლების გავლენა მოსწავლეზე (Negative, Neutral, Positive)
• Physical_Activity: კვირაში ფიზიკური აქტივობის საათების რაოდენობა
• Learning_Disabilities: სწავლის სირთულეების არსებობა (Yes/No)
• Parental_Education_Level: მშობლების განათლების დონე (High School, College, Postgraduate)
• Distance_from_Home: მანძილი სახლსა და სკოლას შორის (Near, Moderate, Far)
• Gender: მოსწავლის სქესი (Male/Female)
• Exam_Score: სამიზნე ცვლადი, გამოცდაზე მიღებული ქულა (რიცხვითი მნიშვნელობა)

---

📚 ამოცანები

Subtask 1 (10 ქულა)

გამოთვალეთ Hours_Studied სვეტის მნიშვნელობების საშუალო სატრენინგო ნაკრებზე. ტესტის თითოეული სტუდენტისთვის განსაზღვრეთ Hours_Studied-სა და გამოთვლილ საშუალოს შორის სხვაობის მოდული.

Subtask 2 (10 ქულა)

განსაზღვრეთ ტესტის თითოეული სტუდენტისთვის ძილის ცოტა (<7 საათი). შედეგი იქნება True ან False.

Subtask 3 (10 ქულა)

დათვალეთ რამდენი სტუდენტი სატრენინგო ნაკრებიდან ჰქონდა ადრინდელი ქულა (Previous_Scores) ტესტის თითოეული სტუდენტის ქულაზე მეტი ან ტოლი.

Subtask 4 (10 ქულა)

განსაზღვრეთ სატრენინგო ნაკრებიდან სტუდენტების რაოდენობა იგივე მოტივაციის დონით (Motivation_Level) როგორც ტესტის თითოეული სტუდენტი.

Subtask 5 (60 ქულა)

ააშენეთ რეგრესიის მოდელი Exam_Score-ის პროგნოზირებისთვის მოცემული მახასიათებლების საფუძველზე. მოდელმა უნდა განზოგადოს ახალ მონაცემებზე და შეფასდება MAE-ით.

---

📊 შენიშვნები მონაცემთა ნაკრების შესახებ

• სამიზნე ველი: Exam_Score
• მოდელი უნდა იყოს ნატრენირებული train_data.csv-ზე და შეფასებული test_data.csv-ზე
• რეკომენდებულია დაკარგული მნიშვნელობების შემოწმება და მახასიათებლების ნორმალიზაცია.

---

⚙️ შეფასების კრიტერიუმები

• შესრულება: რაც შეიძლება მცირე MAE

---

📨 წარდგენის ფაილის ფორმატი

წარდგენის ფაილი უნდა იყოს CSV ზუსტად სამი სვეტით:

სვეტი	ტიპი	აღწერა
subtaskID	integer	წარმოადგენს subtask-ის ID-ს (1-დან 5-მდე).
datapointID	integer/string	წარმოადგენს ტესტის ნაკრების რიგის უნიკალურ იდენტიფიკატორს (ID).
answer	float / int / bool	პასუხი შესაბამისი subtask-ისთვის. მნიშვნელობის ტიპი დამოკიდებულია subtask-ზე: • Subtask 1: float • Subtask 2: boolean • Subtask 3: integer • Subtask 4: integer • Subtask 5: float (მოდელის პროგნოზები)

🔹 მაგალითები

subtaskID	datapointID	answer
1	101	12.5
2	101	True
3	101	7
4	101	3
5	101	85.3

მნიშვნელოვანი: CSV-ის თითოეული რიგი წარმოადგენს პასუხს ერთი subtask-ისა და ერთი datapoint-ისთვის. თითოეული datapointID-სთვის უნდა არსებობდეს თითო რიგი თითოეული subtask-ისთვის.

---

📝 შენიშვნა

sample_output-ის გაგზავნა იძლევა 6 ქულას.

🗂️ სასარგებლო რესურსები

• სრული Starter Kit – შეიცავს ჩონჩხს, საიდანაც შეგიძლიათ დაიწყოთ ამოცანის გადაწყვეტა