Načítava sa...
Obtiažnosť
Vaše najlepšie skóre
N/A
Cieľom tejto úlohy je identifikácia a klasifikácia textov na základe regionálnych špecifík alebo štandardnej formy rumunského jazyka. Súbor údajov obsahuje fragmenty textov zozbierané z rôznych regiónov.
| Stĺpec | Popis |
|---|---|
| ID | Jedinečný identifikátor pre každý fragment textu |
| text | Samotný obsah vety v rumunčine |
| label | Klasifikácia dialektu textu (cieľový stĺpec) |
Poznámka: Stĺpec label (Dialekt) je k dispozícii iba v trénovacích údajoch (train.csv). Tri možné triedy sú: româna standard (štandardná rumunčina), graiul moldovenesc (moldavské nárečie) a graiul bănățean (banátske nárečie).
Časť textov bola extrahovaná z diela „Cinci pâini“ od Iona Creangă. Vypočítajte celkový počet výskytov slova „pâni“ (archaická forma slova „pâini“) v súboroch train.csv a test.csv.
V súbore train.csv vypočítajte priemerný počet interpunkčných znamienok pre texty v graiul moldovenesc a graiul bănățean. Vráťte absolútnu hodnotu rozdielu medzi týmito dvoma hodnotami, zaokrúhlenú na 2 desatinné miesta.
Pre každý riadok v test.csv vypočítajte počet diakritických znamienok v texte. Za diakritiku sa považujú znaky: ă, â, î, ș, ț (a ich veľké varianty Ă, Â, Î, Ș, Ț).
Zostavte model schopný správne klasifikovať texty z testovacieho súboru do jednej z 3 tried.
Hodnotenie prebieha prostredníctvom presného overenia odpovede. Správna odpoveď = plný počet bodov, nesprávna odpoveď = 0 bodov.
Hodnotenie prebieha pomocou metriky accuracy — podiel správnych odpovedí z celkového počtu. Bodovanie je proporcionálne: accuracy 1.0 = 10 bodov, accuracy 0.0 = 0 bodov.
Hodnotenie prebieha pomocou metriky F1-Macro.
Súbor na odovzdanie musí byť vo formáte CSV a musí obsahovať nasledujúce stĺpce:
1.ID v súbore test.csv.subtaskID,datapointID,answer1,1,322,1,5.073,101,23,102,43,103,2...4,101,româna standard4,102,graiul moldovenesc4,103,graiul bănățean...Poznámka: Riešenie tejto úlohy nevyžaduje použitie architektúr typu Transformer (napr. RoBERTa).