Berømte malerier

Berømte malerier

Kontekst

Når vi vurderer berømte malerier, må vi ta hensyn til objektive karakteristikker som lerretets størrelse, type pensel som ble brukt til å male med, visuell kompleksitet eller fargetetthet, i tillegg til deres kunstneriske kvalitet. Automatisk estimering av verdi og identifisering av malerens stil kan hjelpe samlere og museer med å analysere store samlinger av verk.

For å løse dette problemet vil du ha tilgang til to filer:

• train.csv – inneholder alle variabler, inkludert target_price, for trening av modeller
• test.csv – inneholder de samme variablene, uten kolonnen target_price, og dataene i denne filen brukes til å generere prediksjoner

Beskrivelse av datasettet

Krav

For dette problemet skal du løse 3 oppgaver.

Oppgave 1 – Kunstnerisk autentisitetsscore (20 poeng)

Nylig ble en revolusjonerende algoritme oppdaget av en gruppe forskere innen kunstig intelligens og kunst. Den kan evaluere, basert på objektive karakteristikker ved maleriet, om et maleri definitivt er autentisk eller ikke.

For hvert maleri beregner algoritmen en Kunstnerisk Autentisitetsscore (KAS) ved å bruke følgende regler:

1. Hvis stroke_density > 0.7, legg til 2 poeng til KAS.
2. Hvis complexity > 0.65, legg til 2 poeng til KAS.
3. Hvis uses_gold_leaf = True, legg til 1 poeng til KAS.
4. Hvis has_signature = True, legg til 1 poeng til KAS.
5. Hvis num_colors > 65 og colorfulness > 0.7, legg til 2 poeng til KAS.
6. Hvis contrast < 0.4 eller brightness < 0.45 eller brightness > 0.75, trekk fra 1 poeng fra KAS.

Etter beregning av scoren får maleriet etiketten:

• Autentisk: hvis KAS ≥ 5

• Usikker: hvis KAS < 5

• Answer i innleveringsfilen vil være Autentisk eller Usikker for hvert maleri i test.csv.

Oppgave 2 – Gruppering av malerier etter malerens stil (40 poeng)

Det er kjent at maleriene i datasettet ble laget av 5 berømte malere, men informasjonen om maleren er ikke tilgjengelig.

Oppgaven din er å tildele hvert maleri i test.csv en numerisk ID mellom 0 og 4, slik at malerier laget av samme maler får samme ID.

• Answer i innleveringsfilen vil være den numeriske ID-en (0, 1, 2, 3 eller 4) for hvert maleri i test.csv.
• Alle malerier laget av samme maler bør ha samme ID.

Oppgave 3 – Estimering av malerpriser (40 poeng)

For hvert maleri inkludert i train.csv har vi spesifisert en pris (kolonnen target_price). Basert på informasjonen tilgjengelig i train.csv, tren en kunstig intelligens-modell som er i stand til å predikere prisen for maleriene i test.csv.

Format for innleveringsfil

Filen submission.csv må inneholde:

• SampleID - hentet fra filen test.csv;
• subtaskID - kan være: Task1, Task2, Task3;
• Answer - verdien beregnet eller estimert for maleriet indikert av SampleID for oppgaven indikert av subtaskID.

Evaluering

Deloppgave 1 – Autentisitetsscore

For denne deloppgaven brukes eksakt sammenligning mellom innsendte svar (Autentisk / Usikker) og korrekte etiketter.

• Maksimal poengsum tildeles kun hvis alle svarene er korrekte.
• Hvis det er feil svar, tildeles poengsummen proporsjonalt, ved bruk av enkel treregelsmetode.

Deloppgave 2 – Gruppering av malere

Evalueringen gjøres ved bruk av Adjusted Rand Index (ARI).

• Maksimal poengsum tildeles hvis:

• For verdier under denne terskelen tildeles poengsummen proporsjonalt.

Deloppgave 3 – Prisprediksjon

Evalueringen gjøres ved bruk av Mean Absolute Error (MAE).

Regler:

• MAE ≤ 500 → maksimal poengsum
• MAE ≥ 2000 → 0 poeng
• For verdier mellom disse to tersklene tildeles poengsummen proporsjonalt.