BAC მიკროსკოპის ქვეშ

კონტექსტი

წლების განმავლობაში, ბაკალავრიატის გამოცდის შედეგები დეტალურ სურათს იძლევა რუმინეთის ლიცეუმების შესრულების შესახებ. რამდენიმე წლის ისტორიული მონაცემების ანალიზით, შეგვიძლია აღმოვაჩინოთ ტენდენციები, სკოლის შესრულების ევოლუცია და, ზოგჯერ, შედეგები რომლებიც გამოირჩევა.

ამ კონტექსტში, ამ პრობლემის მიზანია ლიცეუმების ბაკალავრიატის შესრულების სტატისტიკური ანალიზი, პროგნოზული მოდელების აგება და ატიპური შედეგების იდენტიფიცირება Machine Learning მეთოდების გამოყენებით.

მონაცემების აღწერა

ამ პრობლემის მოთხოვნების გადასაჭრელად თქვენ გაქვთ წვდომა სტრუქტურირებულ მონაცემთა ნაკრებზე ორი csv ფაილის სახით: train.csv და test.csv. ეს მონაცემთა ნაკრები შეიცავს ლიცეუმების აგრეგირებულ შედეგებს ბაკალავრიატის გამოცდის სხვადასხვა საგნებში, 2014–2023 პერიოდისთვის.

მონაცემთა ნაკრების თითოეული რიგი (მიუხედავად იმისა, რომ ეს არის სატრენინგო თუ სატესტო ნაკრები) წარმოადგენს ლიცეუმის შედეგებს, საგნისთვის, წელში.

ხელმისაწვდომი სვეტები:

• id – რიგის უნიკალური იდენტიფიკატორი
• an – გამოცდის წელი
• liceu – ლიცეუმის დასახელება
• judet – ოლქი, სადაც მდებარეობს ლიცეუმი
• materie – ბაკალავრიატის დისციპლინა
• medie – ლიცეუმის მოსწავლეების მიერ შესაბამის დისციპლინაში მიღებული ქულების საშუალო
• procent_reusita – მოსწავლეების პროცენტი, რომლებმაც ჩააბარეს გამოცდა
• numar_candidati – კანდიდატების რაოდენობა
• preferinta_materie – მოსწავლეების პროცენტი, რომლებმაც აირჩიეს შესაბამისი დისციპლინა
• anomalie - შეიძლება ჰქონდეს მნიშვნელობა 0 თუ ეს არ ითვლება არანორმალურ სიტუაციად ან მნიშვნელობა 1 თუ სიტუაცია არაჩვეულებრივია.

შენიშვნა: თითოეული ლიცეუმისთვის გვაქვს ასევე ზოგადი სტატისტიკა. მათთვის, materie სვეტში ვპოულობთ მნიშვნელობას GENERAL.

ფაილი train.csv შეიცავს სტატისტიკას 2014-2022 პერიოდიდან, ხოლო ფაილი test.csv შეიცავს მონაცემებს 2023 წლისთვის, თუმცა სვეტები medie და anomalie არ არის ხელმისაწვდომი.

მოთხოვნები

მოთხოვნა 1 - სასურველი საგნის იდენტიფიცირება (10 ქულა)

იდენტიფიცირება იმისა, რომელი იყო საგანი ყველაზე დიდი პრეფერენციით 2023 წელს COLEGIUL NATIONAL "UNIREA" FOCSANI-დან, თუ გამოვრიცხავთ საგანს LIMBA ROMANA რომელიც იყო სავალდებულო ყველა კანდიდატისთვის.

მოთხოვნა 2 - ინფორმატიკისთვის წარმატებული წლის იდენტიფიცირება (10 ქულა)

იდენტიფიცირება იმისა, რომელ წელს 2014-2022 პერიოდში საგანმა INFORMATICA MI C-C++ ჰქონდა ყველაზე დიდი პოპულარობა COLEGIUL NATIONAL "UNIREA" FOCSANI-ში. ვთვლით, რომ პოპულარობა განისაზღვრება preferinta_materie სვეტის პროცენტით (რაც უფრო მაღალია ეს პროცენტი, მით უფრო პოპულარულად ჩავთვლით საგანს).

მოთხოვნა 3 - ლიცეუმების შესრულების შეფასება (40 ქულა)

train.csv ფაილში ხელმისაწვდომი ინფორმაციის გამოყენებით, შეაფასეთ მიღებული საშუალო მნიშვნელობა test.csv ფაილის თითოეული რიგისთვის (2023 წელი).

ამ მოთხოვნისთვის შეგიძლიათ გამოიყენოთ სტატისტიკური ანალიზის ან მოდელირების ნებისმიერი მეთოდი ისტორიული მონაცემების საფუძველზე, გათვალისწინებით:

• ანალიზირებული საგანი,
• ლიცეუმის ისტორია,
• შედეგების დროში ევოლუცია,
• შესრულების ზოგადი კონტექსტი ოლქის ან ეროვნულ დონეზე.

მიზანია მაქსიმალურად ზუსტი შეფასებების მიღება.

მოთხოვნა 4 - ატიპური შედეგების იდენტიფიცირება (40 ქულა)

გაანალიზეთ ისტორიული მონაცემები 2014–2022 პერიოდიდან და გადაწყვიტეთ, test.csv ფაილის თითოეული რიგისთვის, არის თუ არა 2023 წლის შესაბამისი შედეგი:

• ნორმალური, ან
• ატიპური, რომელიც მნიშვნელოვნად გადაუხვევს ჩვეულებრივ ქცევას.

გადაწყვეტილების მიღებისას შეგიძლიათ გაითვალისწინოთ:

• შესაბამისი ლიცეუმის ისტორია,
• ერთი წლიდან მეორეზე ცვალებადობა,
• საგნებს შორის განსხვავებები,
• მსგავს ლიცეუმებთან შედარება.

საბოლოო შედეგი თითოეული რიგისთვის უნდა იყოს ბინარული ეტიკეტი:

• 0 - ნორმალური შედეგი
• 1 - ატიპური შედეგი

წარდგენის ფორმატი

ავტომატური შეფასებისთვის უნდა ატვირთოთ ფაილი csv ფორმატში შემდეგი სტრუქტურით:

• id – რიგის იდენტიფიკატორი (შესაბამისი test.csv-დან)
  • task 1-ისთვის, გამოიყენებთ მნიშვნელობას 1 id-სთვის
  • task 2-ისთვის, გამოიყენებთ მნიშვნელობას 2 id-სთვის
• subtaskID – მოთხოვნის იდენტიფიკატორი:
  • 1 სასურველი საგნის იდენტიფიცირებისთვის (მოთხოვნა 1)
  • 2 ინფორმატიკისთვის წარმატებული წლის იდენტიფიცირებისთვის (მოთხოვნა 2)
  • 3 საშუალოს შეფასებისთვის (მოთხოვნა 3)
  • 4 ატიპური შედეგების იდენტიფიცირებისთვის (მოთხოვნა 4)
• answer – მოთხოვნის შესაბამისი პასუხი:
  • subtaskID = 1-ისთვის: საგნის დასახელება ზუსტად ისე, როგორც ჩანს მონაცემთა ნაკრებში
  • subtaskID = 2-ისთვის: წელი
  • subtaskID = 3-ისთვის: რიცხვითი მნიშვნელობა (საშუალოს შეფასება)
  • subtaskID = 4-ისთვის: 0 ან 1

შეფასება

მოთხოვნები 1–2 შეფასდება ზუსტად (შედარებით).

მოთხოვნა 3 შეფასდება Mean Absolute Error (MAE) გამოყენებით.

წესები:

• MAE < 0.3 → მაქსიმალური ქულა
• MAE > 1.0 → 0 ქულა
• ამ ორ ზღვარს შორის მნიშვნელობებისთვის, ქულა ენიჭება პროპორციულად.

მოთხოვნა 4-ისთვის, ქულა ენიჭება შემდეგი წესების მიხედვით:

• AUC ≥ 0.95 → 40 ქულა
• AUC ≤ 0.70 → 0 ქულა
• მათ შორის ინტერვალი: პროპორციული ქულა

⬇️ ჩამოტვირთეთ Starter Kit