Release Date = 16-10-2023

Due Date: 01-12-2023

Total Marks: 25

This assignment is designed for students to demonstrate their ability of performing machine learning and data analysis with an aim to gain hands-on experience.

There are two datasets provided for this assignment. The first dataset consists of sensory data of human activity and the second dataset contains a set of images of Mars  surface. Details of each dataset are provided in the later part of this assignment description and both datasets are well known benchmarks for  data analysis and machine learning techniques.

Assignment  Tasks:

For each of the datasets you are required to attempt the following tasks;

1.  Briefly describe the dataset and apply different pre-processing techniques.

2.  Perform exploratory data analysis by generating relevant summary statistics (if relevant) and visualisation techniques.

3.  Define objectives of the problem you wish to solve. You can select one or two of the  challenges  for  each  dataset  and  clearly  explain  your objectives for these challenges and theirrelevance to the datasets. Your are recommended but not restricted to;

a.  For  ExtraSensory  Dataset you  can choose activity detection (except the walking  activity  detection  for which the  relevant code is already available on their webpage) or any of the open challenges listed on their webpage http://extrasensory.ucsd.edu/ .

b.  For Mars Surface Image Dataset you can select image classification, clustering  or   pattern  recognition  approaches.Dataset  available  at:

https://www.kaggle.com/datasets/brsdincer/mars-surface-and-curiosity- image-set-nasa

4.  Perform model selection and train your datasets using any or combination of supervised, unsupervised machine learning models and/or neural networks.

5.  Evaluate performance of your trained model using different error detection or accuracy measurement techniques.

6.  Revisit your results and try to improve (if required) the evaluation results with model reselection or hyperparameters fine tuning.

7.  Prepare a Jupyter Notebook or Google Collab and submit your ipynb file with any additional data, required resources and installation/execution guidelines.

8.  Prepare a comprehensive report on your approach (approx. 20-30 pages) and explain how you performed all of the above listed tasks including your own interpretation of the data analysis and machine learning outcomes.

Dataset 1: Extrasensory Dataset

Our first dataset is using sensor data to predict human activity and is based on the ExtraSensory  dataset,  created  by  Ph.D.  students  and  staff  at the  Department of Electrical and Computer Engineering, University of California, San Diego. You can read more about the dataset on their website http://extrasensory.ucsd.edu/. A copy of the dataset will be made available on the loop.

Dataset 2: Mars Surface Image (Curiosity Rover) Labelled Dataset

Our second dataset is an image dataset containing 6691 images of the Mars surface collected by the Mars Science Laboratory (MSL, Curiosity). The dataset has labels and spans 24 classes. The provided dataset has low resolution images of roughly 256 X 256 pixels each. There is a high resolution version of the dataset available, however for this assignment you should only use this low resolution image dataset. You     can      get      further     details      of     the      dataset      at     their      website:

https://data.nasa.gov/Space-Science/Mars-surface-image-Curiosity-rover-labeled-dat a-se/cjex-ucks. A copy of the dataset will be made available on the loop.

Submission Guidelines

The final submission should be submitted on the loop before the due deadline. A final submission should contain;

1.  A   report  (PDF  or  Word  document)  documenting  all  assumptions,  design decisions, and findings. Include visualisations, plots, and tables. You should strive  to   make  your  work   completely   reproducible  using  only  the  report document: include details on everything you tested and all results. Document and justify all design decisions.

2.  Two or more separate notebooks (at least one for each dataset) containing all of  your  relevant  code.  In  case  you  have  tested  multiple  versions  of  the datasets (e.g. after cleansing) or trained different models for the same task, do not overwrite the previous code. You can either submit multiple versions of the  notebook or separate  code sections for each iteration/repetition of any task.

3.  Any   additional   resources   (e.g.   datasets   or   installation,   preparation   or execution guidelines) bundled as archive file(s) e.g. zip. If your zipfolder size is  greater  than  250MB,  you  have  to  break  it  down  into  multiple  zip  files ensuring each file is less than 250MB so it can be uploaded on the loop.