| فایل‌ اولیه‌ی دادگان آموزش و آزمون را می‌توانید از [این لینک](/contest/assignments/89137/download_problem_initial_project/303236/) دانلود کنید.| |:-:| ماشین‌آلات صنعتی معمولاً پیش از بروز خرابی کامل نشانه‌هایی از کاهش عملکرد یا افزایش فشار و دما نشان می‌دهند. در این سؤال داده‌های حسگری یک توربین در اختیار شما قرار گرفته است. هدف این است که **زمان باقی‌مانده تا خرابی بعدی** (Remaining Useful Life) بر حسب ثانیه پیش‌بینی شود. ستون هدف `RUL_seconds` نشان می‌دهد که برای هر رکورد، چند ثانیه تا پایان چرخه‌ی آن نمونه باقی مانده است. ### توضیحات داده + داده‌های هر حسگر در قالب دو فایل ارائه شده است: + `SensorName_train.csv` + `SensorName_test.csv` + در این سوال همه‌ی فایل‌ها شامل تعداد **یکسانی از ردیف‌ها** هستند و نیازی به همگام‌سازی یا مدیریت نرخ نمونه‌برداری متفاوت وجود ندارد. + ستون `timestamp` از داده‌ها حذف شده است تا مقدار `RUL_seconds` تنها از روی مقادیر حسگرها قابل پیش‌بینی باشد. + در نسخه‌ی **train**، ستون هدف `RUL_seconds` وجود دارد. ### هدف مدلی طراحی کنید که بر اساس الگوهای موجود در داده‌های حسگرها، مقدار `RUL_seconds` را برای داده‌های آزمون پیش‌بینی کند. مدل شما باید قادر باشد کاهش تدریجی عمر باقی‌مانده را با نزدیک شدن به خرابی یاد بگیرد. ### معیار ارزیابی برای این سوال از **معیار R2** برای ارزیابی دقت پیش‌بینی استفاده می‌شود. امتیاز شما به صورت زیر محاسبه می‌شود: $$round(r2score, 3) \times 100$$ <details class="red"> <summary> **حداقل امتیاز** </summary> > اگر مقدار R2 شما کمتر از ۰٫۶ باشد، نمرهٔ نهایی صفر خواهد بود. </details> <details class="red"> <summary> **داده ارزیابی** </summary> مانند سایر مسائل، حین مسابقه تنها امتیاز حاصل از ۳۰ درصد داده‌های آزمون به شما نمایش داده می‌شود و امتیاز نهایی بر روی ۷۰ درصد باقی‌مانده محاسبه می‌شود تا از بیش‌برازش جلوگیری شود. </details> ### نحوه ارسال پاسخ باید یک فایل `result.zip` ارسال کنید که شامل دو بخش زیر باشد: 1. **`submission.csv`**: شامل یک ستون به نام `prediction` که در هر سطر مقدار پیش‌بینی‌شده‌ی `RUL_seconds` برای تمام رکوردهای فایل‌های `*_test.csv` قرار دارد. تعداد سطرها باید دقیقاً برابر با داده‌های آزمون باشد. 2. **`notebook.ipynb`**: شامل کد کامل شما، با مراحل پیش‌پردازش، آموزش مدل و تولید خروجی نهایی.