{"user": {"is_authenticated": false}}
{"talent_site_base_url": "https://talent.quera.org", "domain_base_url": "https://quera.org"}
سلام دوست عزیز😃👋
به مسابقه «**المپیک فناوری AI: پردازش داده**» خوش آمدی!
هرگونه **ارتباط با سایر شرکتکنندگان** و یا **استفاده از ابزارهای تولید کد، مثل chatGPT و...** در مسابقات کوئرا ممنوع است و بعد از شناسایی **از لیست شرکتکنندگان مسابقه حذف میشوید**. برای آشنایی بیشتر با [قوانین شرکت در مسابقه](https://quera.org/course/assignments/2693/problems/33523) این پیوند را مطالعه کنید.
در طول مسابقه، می‌توانید سؤالات خود را از قسمت «[سوال بپرسید](https://quera.org/contest/clarification/71220/)» مطرح کنید. در زمانهای «**پنجشنبه از ساعت ۱۶:۰۵ الی ۱۷:۳۰**» ، «**پنجشنبه از ساعت ۲۰:۰۰ تا ۲۱:۰۰**»، «**جمعه از ساعت ۹:۰۰ تا ۱۰:۰۰**» و «**جمعه از ساعت ۱۴:۳۰ تا ۱۶:۰۵**» پاسخگوی سؤالات شما هستیم.
موفق باشید 😉✌
| فایل اولیه‌ی سوال را می‌توانید از [این لینک](/contest/assignments/71220/download_problem_initial_project/250602/) دانلود کنید.|
| :--: |
یک ناشر با ۵ نویسنده همکاری می‌کند. او به تازگی متن‌های جدیدی از این نویسندگان دریافت کرده است. اما از روی حواس‌پرتی فراموش کرده است که هر متن به کدام نویسنده تعلق دارد. او تصمیم گرفته است که از دانش یادگیری ماشین خود استفاده کند و نویسنده‌ی هر متن را پیدا کند. برای این کار او یک مجموعه داده‌ی آموزشی تولید کرده است که هر سطر آن مربوط به یکی از متن‌های پیشین هر نویسنده است. این مجموعه ۳۸۱ ستون دارد که یک ستون نشان‌دهنده‌ی نویسنده و ستون‌های دیگر نشان می‌دهند که یک کلمه‌ی به خصوص در متن وجود دارد یا خیر.
شما باید به این ناشر کمک کنید که مدلی آموزش دهد تا با دریافت اطلاعات وجود یا عدم وجود این کلمات در یک متن، نویسنده‌ی آن را پیش‌بینی کند.
## معیار ارزیابی
برای ارزیابی مدل شما از معیار `F1 Score` استفاده می‌شود و مدل میانگین‌گیری نیز به‌صورت `macro` است.
برای نمره‌گیری در این سوال مدل شما باید دارای `F1 Score` حداقل ۰.۴ باشد و در این حالت نمره‌ی نهایی بر اساس فرمول زیر محاسبه می‌گردد:
$$round(f1score, 3) \times 100$$
اگر مدل شما به حدنصاب نرسد، نمره‌ی دریافتی **صفر** خواهد بود.
<details class="red">
<summary>
**توجه**
</summary>
در طول مسابقه امتیازی که مشاهده می‌کنید، فقط نتیجه‌ی ارزیابی مدل شما روی ۳۰ درصد از داده‌های آزمون است. بعد از پایان زمان مسابقه، **امتیاز نهایی** شما روی ۷۰ درصد مابقی محاسبه می‌شود.
این کار به منظور جلوگیری از بیش‌برازش (`overfitting`) و حفظ عمومیت مدل انجام می‌شود تا مطمئن شویم مدل‌هایی که دچار بیش‌برازش شده‌اند، در امتیازدهی نهایی، افت می‌کنند.
</details>
## نحوه‌ی ارسال پاسخ
برای پاسخ به این سوال ابتدا فایل نوت‌بوک قرار گرفته در فایل اولیه را باز کنید و سپس مراحل را مطابق آن‌چه که از شما خواسته شده انجام دهید. در نهایت، پس از اجرای سلول جواب‌ساز (آخرین سلول فایل نوت‌بوک) فایل `result.zip` ساخته شده را ارسال نمایید.
<details class="red">
<summary>
**هشدار مهم**
</summary>
توجه داشته باشید که پیش از اجرای سلول جواب‌ساز، تغییرات اعمال شده در نوت‌بوک را با استفاده از کلید میان‌بر `ctrl+s` ذخیره کرده باشید در غیر این صورت، در پایان مسابقه **نمره** شما به **صفر** تغییر خواهد کرد.
همچنین اگر از کولب برای اجرای این فایل نوت‌بوک استفاده می‌کنید، قبل از ارسال فایل `result.zip`، آخرین نسخه‌ی نوت‌بوک خود را دانلود کرده و داخل فایل ارسالی قرار دهید.
</details>
دردسر سردبیر
ارسال پاسخ برای این سؤال
در حال حاضر شما دسترسی ندارید.