| Максимальный балл: | 10 | Ограничение времени: | 1 сек | |
| Ограничение памяти: | 512 Мб |
Требуется решить задачу классификации Kuzushiji-49.
В качестве решения принимается файл с исходным кодом, например jupyter notebook. Необходимо обучить две модели, принимающие на вход плоские и обычные изображения соответственно. Сбалансированная точность второй модели на валидационной выборке должна превышать точность первой. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". После отправки решение необходимо сдать преподавателю лично.
Базовый ноутбук можно скачать здесь.
| Максимальный балл: | 10 | Ограничение времени: | 1 сек | |
| Ограничение памяти: | 512 Мб |
Требуется решить задачу классификации CIFAR-10.
В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". Архитектура модели должна быть реализована самостоятельно. После отправки решение необходимо сдать преподавателю лично.
Базовый ноутбук можно скачать здесь.
| Максимальный балл: | 10 | Ограничение времени: | 1 сек | |
| Ограничение памяти: | 512 Мб |
Требуется решить задачу классификации Tiny ImageNet.
В качестве решения принимается файл с исходным кодом, например jupyter notebook. В систему требуется отправить ссылку на файл, размещённый в открытом доступе (Google Colab, Github, Google Drive и др.), указав среду разработки "Answer text". Предобученные модели разрешено использовать после достижения 25% точности с использованием модели, реализованной и обученной с нуля собственноручно. После отправки решение необходимо сдать преподавателю лично.
Базовый ноутбук можно скачать здесь.