| فایل اولیه‌ی پروژه را می‌توانید از [لینک](https://drive.google.com/drive/folders/1Gvbm4PFVncRm3b2RBkGscrSFM8U6CfZA?usp=sharing) دانلود کنید.| | :--: | «اسم منو صدا نمی‌زنن… نه چون اسم ندارم، چون مهم نیست کی هستم؛ مهم اینه _چی می‌بینم_.» — _بلاندی (مرد بی‌نام)_ سال‌ها پیش، در غرب وحشی، من با یک نگاه می‌فهمیدم طرف مقابلم **خوبه، بده یا زشته**. نه با حرف، نه با سابقه، فقط با نگاه به صورتش. حالا بعد از این‌همه دوئل و گرد و خاک، یک سؤال پیش اومده: **اگه به‌جای من، یک مدل بینایی کامپیوتر پشت این نگاه باشه چی؟** در فیلم «خوب، بد، زشت»، مرد بی‌نام با یک نگاه، پیش از هر کلامی، ماهیت افراد روبه‌رویش را تشخیص می‌داد؛ قضاوتی سریع بر پایه‌ی نشانه‌های ظاهری. در این سؤال، این نگاه شهودی جای خود را به یک مدل بینایی کامپیوتر می‌دهد که باید تنها بر اساس تصاویر چهره‌ی افراد، ویژگی‌هایی مانند **سن، جنسیت و مشخصه‌های جمعیت‌شناختی** را پیش‌بینی کند. همان‌طور که در دوئل‌های سینمایی، دقت و زمان‌بندی تعیین‌کننده‌اند، در این چالش نیز کیفیت استخراج ویژگی‌ها و قدرت مدل‌سازی، مرز میان پیش‌بینی‌های «خوب»، «بد» و «زشت» را مشخص خواهد کرد.  ---------------------------- ## مجموعه‌داده در مجموع، این مجموعه‌داده شامل **۹۷٬۶۹۸ تصویر** با ابعاد **۲۲۴×۲۲۴ پیکسل** است. از این تعداد: + **۸۶۷۴۴ تصویر** در بخش آموزش قرار دارند. + **۱۰۹۵۴ تصویر** در بخش آزمایش استفاده می‌شوند. این مجموعه‌داده شامل تصاویر چهره‌ی افراد مختلف است که هر تصویر به‌عنوان یک نمونه‌ی مستقل در نظر گرفته شده و از طریق ستون `file` به فایل تصویر مربوطه ارجاع داده می‌شود. برای هر تصویر، چند برچسب توصیفی ارائه شده است: + **برچسب `gender`**: جنسیت فرد را در دو کلاس «Male» و «Female» مشخص می‌کند، + **برچسب `race`**: گروه جمعیت‌شناختی فرد را در قالب چند کلاس از پیش تعریف‌شده مانند East Asian، Southeast Asian، White، Black و Latino_Hispanic نشان می‌دهد. هدف شما، طراحی مدل‌هایی است که تنها بر اساس تصویر چهره، بتواند برچسب‌های جنسیت و نژاد را به‌درستی پیش‌بینی کند. -------------------------------- ## معیار ارزیابی برای ارزیابی مدل شما از معیار `F1 Score` استفاده می‌شود. برای نمره‌گیری در این سوال مدل شما باید دارای `F1 Score` حداقل ۰.۷ باشد و در این حالت نمره‌ی نهایی بر اساس فرمول زیر محاسبه می‌گردد: $$round(f1 score, 3) \times 100$$ اگر مدل شما به حدنصاب نرسد، نمره‌ی دریافتی **صفر** خواهد بود. همچنین لازم است فایل **notebook.ipynb** (نوت‌بوک سؤال) را در پاسخ نهایی خود قرار دهید. در صورت عدم وجود این فایل در پاسخ شما، **امتیاز صفر (۰)** برای آن سؤال در نظر گرفته خواهد شد. <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> <details class="red"> <summary> **هشدار استفاده از مدل‌های آماده و مولد** </summary> در این بخش از مسابقه، **به‌هیچ‌وجه مجاز به استفاده از مدل‌های آماده یا مدل‌های مولد** (چه به‌صورت **API** و چه به‌صورت **Local**) برای تولید پاسخ نیستید. بدیهی است در صورت احراز استفاده از هر یک از این مدل‌ها در فرآیند حل یا ارائه‌ی پاسخ در نوت‌بوک ثبتی شما، **هیچ نمره‌ای برای این بخش به شرکت‌کننده تعلق نخواهد گرفت**. </details> ------------ ## نحوه‌ی ارسال پاسخ وظیفه شما این است که یک **مدل مبتنی بر یادگیری عمیق** طراحی و آموزش دهید که بتواند تشخیص دهد هر تصویر متعلق به کدام دسته است. توجه داشته باشید که **استفاده از هیچ مدل از پیش‌آموزش‌دیده‌ای مجاز نیست**. در صورتی که در نوت‌بوک شما استفاده از یک مدل از پیش‌آموزش‌دیده مشاهده شود، این عمل **به عنوان تخلف** تلقی خواهد شد. تصاویر در دو پوشه **train** و **test** قرار دارند. در پوشه آموزش یک فایل به نام **train.csv** قرار دارد که در این فایل برچسب هر تصویر مشخص شده است. در پوشه آزمایش نیز یک فایل به نام **test.csv** وجود دارد اما برچسب‌های نمونه‌های تست مشخص نیستند و شما وظیفه دارید آن‌ها را پیش‌بینی کنید. وظیفه شما این است که با استفاده از داده‌های آموزش، مدلی بسازید که بتواند دسته هر تصویر که در مجموعه آزمایش قرار دارد را پیش‌بینی کند. خروجی نهایی شما باید یک فایل با نام **submission.csv** باشد. این فایل باید قالبی داشته باشد که **ترتیب سطرهای فایل خروجی باید دقیقاً مطابق با ترتیب نام تصاویر در فایل test.csv** باشد. نمونه‌ای از فایل خروجی نهایی به شرح زیر است: |file|gender|race| |------|---|------| |1.jpg|Male|White| |2.jpg|Male|Indian| 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>