Инженерный тур. 2 этап

Задачи второго отборочного этапа профиля Нейротехнологии и когнитивные науки относятся к ряду физиологических и технических тем. В плане физиологии они посвящены основам регистрации ЭЭГ, а также основам нервной и гуморальной регуляции функционирования организма — ключевым механизмам и наблюдаемым феноменам.

Задачи по программированию фокусируются на основных инструментах, которые используются для анализа различных биосигналов. От самых простых — загрузка и сортировка данных — до сложных методов, применяемых в интерфейсах мозг-компьютер.

Значительное внимание уделено комплексному подходу. Так, для эффективного решения задач на машинное обучение, необходимо хорошее понимание особенностей предложенных данных. Такое понимание позволит выполнить эффективную предобработку данных для построения точных и надежных моделей.

Индивидуальные задачи

Индивидуальные задачи второго этапа инженерного тура открыты для решения. Соревнование доступно на платформе Яндекс.Контест:

1 блок: https://contest.yandex.ru/contest/69901/enter/.
2 блок: https://contest.yandex.ru/contest/70132/enter/.

Задачи по физиологии

Задача 1.1.(10 баллов)

Сердечная деятельность и ЖКТ

Тема: знание базовых механизмов работы ЦНС и ВНС

Условие

Людям с нарушениями ритма сердца врачи часто рекомендуют воздержаться от употребления жареной, острой или слишком соленой пищи. Очевидно, что эта рекомендация исходит из того, что употребление такой пищи может негативно сказаться на регуляции ритма сердца. С работой каких элементов нервной системы связана эта рекомендация в наибольшей степени?

Первая пара черепно-мозговых нервов.
Вторая пара черепно-мозговых нервов.
Третья пара черепно-мозговых нервов.
Четвертая пара черепно-мозговых нервов.
Пятая пара черепно-мозговых нервов.
Шестая пара черепно-мозговых нервов.
Седьмая пара черепно-мозговых нервов.
Восьмая пара черепно-мозговых нервов.
Девятая пара черепно-мозговых нервов.
10-я пара черепно-мозговых нервов.
11-я пара черепно-мозговых нервов.
12-я пара черепно-мозговых нервов.
Интрамуральные ганглии желудочно-кишечного тракта.
Крестцовое нервное сплетение.

Ответ

Задача 1.2.(8 баллов)

Питание клеток и электрофизиология

Тема: знание базовых принципов функционирования возбудимых тканей

Условие

Как будет меняться возбудимость мембраны нейрона или мышцы при ишемии — недостаточном количестве АТФ в клетке — для удовлетворения всех энергетических нужд?

Возбудимость мембраны увеличится.
Возбудимость мембраны уменьшится.
Возбудимость мембраны не изменится.

Ответ

Задача 1.3.(8 баллов)

Центральные механизмы непроизвольного внимания

Тема: знание принципов нервной регуляции ориентировочных рефлексов

Условие

Если у участников Олимпиады есть младшие братья или сестры (например, до трех лет), то, наверное, они замечали, насколько сильно их внимание захватывает телевизионная реклама или мультфильмы, в которых постоянно кто-то за кем-то гоняется или на экране совершается очень много движений. Их буквально не оторвать от этих видео!

С работой каких нервных структур в наибольшей степени связано такое сильное привлечение и удержание внимания совсем маленького человека мельтешащими видео?

Ядра 10-й пары черепно-мозговых нервов.
Ядра пятой пары черепно-мозговых нервов.
Паравертебральная цепочка ганглиев.
Верхние холмы четверохолмия среднего мозга.
Нижние холмы четверохолмия среднего мозга.
Гиппокамп.
Хвостатое ядро.
Миндалина.

Ответ

Задача 1.4.(12 баллов)

Немного об интуиции

Тема: знание базовых нервных принципов регуляции поведения

Условие

Было проведено психологическое исследование. Среди прочего применяли методику В. В. Бойко «Диагностика уровня эмпатии» и обнаружили, что у ряда испытуемых выявились заметно более высокие значения по интуитивному каналу эмпатии согласно методике Бойко.

Какой компонент состояния человека будет у этой группы более выражен, чем у остальных испытуемых?

Тревога.
Агрессия.
Грусть.
Тоска.
Радость.
Нейтральность.

Ответ

Задача 1.5.(12 баллов)

Психофизиология восстановительных процессов

Тема: знание принципов гуморальной регуляции организма

Условие

Два боксера приблизительно равных сил побили друг друга на ринге. Одному из них в итоге засчитали победу — он стал чемпионом (назовем этого боксера — А), а другому не засчитали победу — он проиграл (назовем этого боксера — Б). Боксер А — радостен, он достиг желанной цели. Боксер Б — в печали и грусти, он очень хотел достичь победы, но не смог.

Сопоставьте характерные изменения в их организмах после матча в сравнении друг с другом. Что будет более характерно для каждого из них?

Повышенное артериальное давление.
Повышенное выделение кортикостероидов.
Уменьшение кровоснабжения желудочно-кишечного тракта.
Повышенное выделение факторов воспаления.
Увеличение активности слизистой оболочки желудочно-кишечного тракта.
Уменьшение активности иммунной системы.
Увеличение активности иммунной системы.
Усиление анаболических процессов в организме.
Хороший сон.
Плохой сон.

Ответ

А — 6, 8, 9, 10; Б — 1, 2, 3, 4, 7, 11.

Задачи по программированию

Задача 1.6.(5 баллов)

Разряды и байты

Тема: системы счисления

Условие

Какое максимальное число разрядов числа в шестнадцатеричной системе счисления можно изобразить при помощи одного байта?

Формат ответа — вписать число.

Ответ

Задача 1.7.(10 баллов)

Потенциал P300 у одного человека

Тема: машинное обучение

Условие

В задаче предлагается построить классификатор для различения целевых и нецелевых эпох, содержащих потенциал P300. Эпохи собраны на одном человеке в ходе его работы с интерфейсом мозг-компьютер на волне P300.

Описание формата данных

Оцифровка — 250 Гц, фильтрация 0,05–32 Гц. Набор каналов: Cz, Pz, PO7, PO8, O1, O2. Длительность эпохи — 1 с (от начала подсветки соответствующего элемента или набора элементов).

Один сэмпл тренировочных данных состоит из 1500 значений — шесть каналов (перечислены выше) по 250 точек (1 с на частоте оцифровки 250 Гц) в каждом. В тренировочных данных дополнительно содержится метки типа эпохи — 0 или 1.

В случае данного датасета:

0 — вызванные потенциалы на подсветки нецелевых элементов в ИМК на P300;
1 — вызванные потенциалы на подсветки целевых элементов в ИМК на P300.

Скачайте тренировочные данные. Обучите на них модель для различения целевых и нецелевых эпох. Протестируйте модель на тестовых данных. В качестве ответа загрузите текстовый файл с последовательностью 0 и 1, соответствующих типу эпох в тестовом файле. Пример файла с ответом можно найти ниже.

Тренировочные данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_simple_train.csv.

Тестовые данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_simple_test.csv.

Пример файла с ответом: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_answers_example.csv.

Будьте внимательны и всегда проверяйте соответствие формата файла с ответом примеру: одна строка с 0 и 1.

Критерии оценивания

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 10.0 будет выставлено 10, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Решение

Необходимо на тренировочных данных построить модель для эффективного разделения эпох, указанных в крайнем правом столбце. Для этого данные загружаются стандартными средствами библиотеки pandas, инициализируется классификатор из библиотеки scikit-learn, после чего классификатор обучается при помощи тренировочных данных.

После обучения классификатора ему на вход передаются эпохи из тестового набора данных. Полученные в результате метки эпох (0 или 1) передаются в качестве ответа. Метки передаются в виде последовательности нулей и единиц.

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("data_simple_train.csv", sep=";")
test_data = pd.read_csv("data_simple_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Задача 1.8.(11 баллов)

Потенциал P300 у двух человек

Тема: машинное обучение

Условие

В задаче предлагается построить классификатор для различения целевых и нецелевых эпох, содержащих потенциал P300. Эпохи собраны на двух людях, работавших с интерфейсом мозг-компьютер на волне P300.

Описание формата данных

В случае данного датасета:

0 — вызванные потенциалы на подсветки нецелевых элементов в ИМК на P300;
1 — вызванные потенциалы на подсветки целевых элементов в ИМК на P300.

Тренировочные данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_real_train.csv.

Тестовые данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_real_test.csv.

Пример файла с ответом: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_answers_example.csv.

Будьте внимательны и всегда проверяйте соответствие формата файла с ответом примеру: одна строка с 0 и 1.

Критерии оценивания

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 11.0 будет выставлено 11, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("data_real_train.csv", sep=";")
test_data = pd.read_csv("data_real_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Задача 1.9.(12 баллов)

Целевые ВП у двух человек

Тема: машинное обучение

Условие

В задаче предлагается построить классификатор для различения двух людей по виду их целевых эпох, когда каждый из этих двух людей работал с интерфейсом мозг-компьютер на волне P300.

Описание формата данных

В случае данного датасета:

0 — вызванные потенциалы на подсветки целевых элементов в ИМК на P300 нулевого человека;
1 — вызванные потенциалы на подсветки целевых элементов в ИМК на P300 первого человека.

Тренировочные данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_target_sbj_comparison_train.csv.

Тестовые данные: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_target_sbj_comparison_test.csv.

Пример файла с ответом: https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_data_answers_example.csv.

Будьте внимательны и всегда проверяйте соответствие формата файла с ответом примеру: одна строка с 0 и 1.

Критерии оценивания

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 12.0 будет выставлено 12, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("target_sbj_comparison_train.csv", sep=";")
test_data = pd.read_csv("target_sbj_comparison_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Задача 1.10.(12 баллов)

Нецелевые ВП у двух человек

Тема: машинное обучение

Условие

В задаче предлагается построить классификатор для различения двух людей по виду их нецелевых эпох, когда каждый из этих двух людей работал с интерфейсом мозг-компьютер на волне P300.

Описание формата данных

В случае данного датасета:

0 — вызванные потенциалы на подсветки нецелевых элементов в ИМК на P300 нулевого человека;
1 — вызванные потенциалы на подсветки нецелевых элементов в ИМК на P300 первого человека.

Тренировочные данные: https://disk.yandex.ru/d/vnjcJ0QT8-5JPw/2024_nontarget_sbj_comparison_train.csv.

Тестовые данные: https://disk.yandex.ru/d/QDXD-jRCaQqzvQ/2024_nontarget_sbj_comparison_test.csv.

Пример файла с ответом: https://disk.yandex.ru/d/9ar9Jv4JwS6TFQ/2024_data_answers_example.csv.

Будьте внимательны и всегда проверяйте соответствие формата файла с ответом примеру: одна строка с 0 и 1.

Критерии оценивания

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 12.0 будет выставлено 12, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Тестовые данные

https://disk.yandex.ru/d/UNKa2JBy5aGzow/2024_nontarget_sbj_comparison_test.csv.

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("nontarget_sbj_comparison_train.csv", sep=";")
test_data = pd.read_csv("nontarget_sbj_comparison_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Командные задачи

Командные задачи второго этапа инженерного тура открыты для решения. Соревнование доступно на платформе Яндекс.Контест: https://contest.yandex.ru/contest/69923/enter/.

Задача 2.1.(5 баллов)

Немного о motor imagery

Тема: разновидности интерфейсов мозг-компьютер

Условие

Прочитайте статью одного из пионеров того, что сейчас называют motor imagery: https://disk.yandex.ru/d/UNKa2JBy5aGzow/j.jphysparis.2006.03.012.pdf.

Постарайтесь получше вникнуть в тему. Итак, что же такое motor imagery?

Представление движения в воображении.
Представление моторов.
Моторное представление.
Воображение мотора в уме.

Ответ

Задача 2.2.(12 баллов)

Motor imagery и структуры мозга

Тема: физиология ЦНС

Условие

Какие структуры мозга в наибольшей степени вовлечены в конструирование образа движения?

Моторная кора.
Соматосенсорная кора.
Мозжечок.
Островковая кора.
Премоторная кора.
Поясная извилина.
Затылочная кора.
Височная кора.

Ответ

A, B, C, E.

Задача 2.3.(8 баллов)

Motor imagery и практика

Тема: физиология ЦНС в профессиональной деятельности

Условие

В каких областях деятельности чаще всего и в явном виде применяют motor imagery?

Постинсультная реабилитация.
Спорт.
Музыка.
Клининг-сервис.
Мерчандайзинг.
Брейнвошинг.

Ответ

A, B, C.

Задача 2.4.(10 баллов)

Motor imagery и феномены ЭЭГ

Тема: электрофизиологические методы исследования физиологии ЦНС

Условие

Какой ЭЭГ-феномен развивается при кинестетическом воображении движений?

Подавление мю-ритма в прецентральной извилине.
Подавление мю-ритма в постцентральной извилине.
Подавление мю-ритма в пре- и постцентральной извилинах.
Усиление мю-ритма в прецентральной извилине.
Усиление мю-ритма в постцентральной извилине.
Усиление мю-ритма в пре- и постцентральной извилинах.

Ответ

Задача 2.5.(15 баллов)

Motor imagery ML 1

Тема: машинное обучение

Условие

Было проведено исследование, во время которого испытуемых просили по сигналу нажимать одну или другую кнопку. Одна из кнопок (ближняя) располагалась на расстоянии примерно 10 см от руки испытуемого, вторая кнопка (дальняя) — на расстоянии около 40 см. Сначала загоралась одна из этих кнопок — это означало, что нужно будет нажать по сигналу именно эту кнопку. Сигналом к тому, что нужно нажать кнопку, было зажигание одновременно обеих кнопок. Кроме этого, в одних случаях испытуемый реально совершал указанное действие, а в других — представлял, что он его совершает. Экспериментатор заранее сообщал испытуемому, что ему следует выполнить реальное движение до соответствующей кнопки или же нужно представлять движение до соответствующей кнопки. Совершали движение и представляли движение испытуемые только правой рукой.

Попробуйте построить классификатор для различения ЭЭГ-данных, собранных на одном из испытуемых в ходе реального действия для достижения близко расположенной кнопки и представления соответствующего движения.

Описание формата данных

В тренировочном наборе данных представлены фрагменты записи ЭЭГ. Набор каналов указан в первой строке файла. Отдельные эпохи находятся в столбцах таблицы. В столбце time указаны миллисекунды относительно момента подачи сигнала к действию/представлению (момент зажигания двух кнопок). В столбце condition указан тип соответствующей эпохи.

Тестовый набор данных устроен аналогичным образом, за исключением того, что в них отсутствует столбец condition.

Задача — отнести эпохи из тестового набора данных к одному или другому типу condition из тренировочных данных. Один тип примите за 0, другой — за 1. Какой конкретно тип condition будет принят за 0 и за 1 — неважно, на оценку качества решения это не повлияет.

Архив с тренировочными и тестовыми данными: https://disk.yandex.ru/d/5A9IJ-_utskNJQ.

В качестве ответа загрузите файл с 0 и 1, соответствующими типу эпохи. Пример оформления файла с ответом: https://disk.yandex.ru/d/u8ztHNalw1yCgw.

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 вашего решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 15.0 будет выставлено 15, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Тестовые данные

Тестовый и тренировочный наборы данных: https://disk.yandex.ru/d/5A9IJ-_utskNJQ.

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("data_simple_train.csv", sep=";")
test_data = pd.read_csv("data_simple_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Задача 2.6.(15 баллов)

Motor imagery ML 2

Тема: машинное обучение

Условие

Попробуйте построить классификатор для различения ЭЭГ-данных, собранных на одном из испытуемых в ходе реального действия для достижения близко расположенной кнопки и реального действия к далеко расположенной кнопке.

Описание формата данных

Архив с тренировочными и тестовыми данными: https://disk.yandex.ru/d/t2-A4w0r65-zNQ.

В качестве ответа загрузите файл с 0 и 1, соответствующими типу эпохи. Пример оформления файла с ответом: https://disk.yandex.ru/d/7qO_HtYfvHSVAQ.

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 вашего решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 15.0 будет выставлено 15, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("data_simple_train.csv", sep=";")
test_data = pd.read_csv("data_simple_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))

Задача 2.7.(15 баллов)

Motor imagery ML 3

Тема: машинное обучение

Условие

Попробуйте построить классификатор для различения ЭЭГ-данных, собранных на одном из испытуемых в ходе представления движения к близко расположенной кнопке и представления движения к далеко расположенной кнопке.

Описание формата данных

Архив с тренировочными и тестовыми данными: https://disk.yandex.ru/d/6KOhWNVmUaBY7g.

Итоговый балл вычисляется по формуле \(maxScore\cdot x \cdot abs(0{,}5 - koef)\cdot x\cdot 2\), где \(maxScore\) — максимальный балл за задачу, \(koef\) — доля совпадений 0 и 1 вашего решения с правильным. Полученное значение округляется до двух знаков после запятой. Незначащие нули в конце отбрасываются: вместо 15.0 будет выставлено 15, а вместо 0.40 будет выставлено 0.4.

Формат входных данных

Текстовый файл.

Формат выходных данных

Текстовый файл или текстовая строка.

Тестовые данные

Номер теста	Стандартный ввод	Стандартный вывод
1	-6.66536886925696;-2.406938758342791;-1.8514913525713779;0 3.189641186174216;6.379282372348432;5.441152611708956;1	01

Решение

Ниже представлено решение на языке Python.

Python

import pandas as pd
from sklearn.linear_model import LogisticRegression

train_data = pd.read_csv("data_simple_train.csv", sep=";")
test_data = pd.read_csv("data_simple_test.csv", sep=";")
clf = LogisticRegression()
clf.fit(train_data.values[:, :-1], train_data.values[:, -1])
answer = clf.predict(test_data.values)

with open('ans.txt', 'w') as f:
    f.write(''.join([str(i) for i in answer]))