Skeletons Don’t Lie: Czy AI potrafi odczytać Twoje ruchy?

🦴📊 Skeletons Don’t Lie: Czy AI potrafi odczytać Twoje ruchy? 🤖

---

🧾 Opis

Otrzymujemy zbiór danych zawierający sekwencje ludzkich ruchów, z których każda składa się z wielu klatek (FrameNumber).
Każda klatka zawiera pozycje 3D 25 stawów ciała, reprezentowane przez współrzędne:
J1X, J1Y, J1Z, ..., J25X, J25Y, J25Z.

Każda klatka jest powiązana z identyfikatorem sekwencji (IDSample) oraz dwiema etykietami:

• Action — wykonywana czynność
• Camera — kamera, która zarejestrowała sekwencję

Aby lepiej zrozumieć rozmieszczenie przestrzenne 25 stawów:

---

🔢 Możliwe czynności

• 0: zakładanie kurtki
• 1: zdejmowanie czapki/kapelusza
• 2: podskakiwanie (skakanie na jednej nodze)
• 3: skok w górę
• 4: upadek

---

🎥 Możliwe kamery

• 1: widok pod kątem 45° (z lewej lub prawej strony)
• 2: widok z przodu
• 3: widok z boku (z lewej lub prawej strony)

---

🧮 Podzadanie 1 — Liczenie klatek na sekwencję (10 punktów)

Dla każdego unikalnego IDSample określ, ile klatek jest dostępnych w zbiorze testowym (test_data.csv).
Analiza ta pomaga zrozumieć czasowo-przestrzenny rozkład danych dla każdej czynności.

---

🧠 Podzadanie 2 — Klasyfikacja czynności na poziomie sekwencji (40 punktów)

Korzystając z danych treningowych, wytrenuj model klasyfikacyjny zdolny do rozpoznawania czynności wykonywanej w sekwencji klatek.
Zastosuj model do danych testowych i dla każdego unikalnego IDSample przewidź najbardziej prawdopodobną czynność.

📊 Metryka oceny

Wydajność modelu będzie oceniana za pomocą dokładności (accuracy), zdefiniowanej jako:

Aby uzyskać pełną liczbę punktów, osiągnięta dokładność musi wynosić co najmniej 0.965.

---

🎥 Podzadanie 3 — Identyfikacja kamery (50 punktów)

Korzystając z danych treningowych, wytrenuj model zdolny do przewidywania, która kamera zarejestrowała daną sekwencję klatek.
Zastosuj model do zbioru testowego i określ dla każdego IDSample kamerę przewidywaną jako najbardziej prawdopodobną.

📊 Metryka oceny

Wydajność modelu jest ponownie oceniana za pomocą dokładności (accuracy), zdefiniowanej jako:

Aby uzyskać pełną liczbę punktów, osiągnięta dokładność musi wynosić co najmniej 0.8.

---

📦 Format wyjściowy

Wynikiem końcowym musi być plik CSV o nazwie output.csv, zawierający dokładnie 3 kolumny:

subtaskID	datapointID	answer
1	IDSample z test_data.csv	odpowiedź dla danego podzadania

---

🗂️ Przydatne zasoby

• Kompletny Starter Kit – zawiera szkielet kodu do rozpoczęcia rozwiązywania problemu.
• Treść zadania w PDF – zawiera szczegółowy opis zadania i rysunki.