Подготовка к олимпиадам по искусственному интеллекту и анализу данных
Отборочные туры олимпиад по ИИ и анализу данных держатся на счёте: посчитать метрику по матрице ошибок, сделать шаг градиента, найти ближайших соседей, оценить качество разбиения. Здесь это задачи с числовым ответом — считаешь сам, проверка мгновенная.
Начать можно прямо сейчас — открыть первую задачу: условие, поле для ответа и проверка на одной странице, без регистрации.
Как устроена тренировка
Задача даёт таблицу или выборку и просит число: значение F1, ошибку регрессии, энтропию сплита, расстояние до соседа. Библиотеки не нужны — считается по формуле, которую и спрашивают на отборочном туре.
Практический тур — другое дело: там дают готовый датасет и просят обучить модель, нужны pandas и numpy. Наша песочница запускает чистый Python без внешних библиотек, и эту часть мы не тренируем.
Подготовка к отборочным турам по ИИ
Метрики классификации
Точность, полнота, F1 по матрице ошибок.
- Матрица ошибок прогноза отмены заказа
- Матрица ошибок отзывов приложения
- Матрица ошибок наблюдений птиц по зоне
- Метрики прогноза тренировки бегуна
- Метрики тревоги по данным теплицы
Расстояния и kNN
Метрики расстояния и голосование соседей.
Метрики регрессии и МНК
MAE, MSE и прямая по методу наименьших квадратов.
Энтропия, Gini и сплит
Какой признак делит выборку лучше.
Валидация и переобучение
Train/test, фолды, разрыв качества.
- Проверка прогноза времени доставки
- Проверка переобучения модели велопроката
- Точность модели на контрольных отзывах
Градиентный шаг
Численная производная и шаг обучения.
- Шаг градиентного спуска для времени доставки
- Шаг градиента для велопроката
- Ошибка отзывов до и после шага градиента
Описательная статистика
Среднее, медиана, дисперсия, корреляция.
План на четыре недели
Порядок тем — от того, что спрашивают на каждом этапе, к тому, что появляется дальше. Неделя — это ориентир: важнее решать понемногу каждый день, чем закрыть блок за выходные.
Неделя 1. Метрики классификации
Матрица ошибок, точность и полнота, F1 — с этого начинается любой отбор.
Неделя 2. Расстояния и соседи
Метрики расстояния, kNN и голосование соседей.
Неделя 3. Регрессия и деревья
MAE и MSE, прямая по МНК, энтропия и Gini при выборе признака.
Неделя 4. Валидация и градиент
Train/test и фолды, разрыв качества, численная производная и шаг обучения.
Чего эта подготовка не закрывает
Практический тур с готовым датасетом мы не тренируем: там нужны pandas, numpy и обучение модели на данных, а наша песочница запускает чистый Python без внешних библиотек. Здесь — счётная часть, с которой начинаются отборочные.
Какие вообще бывают олимпиады по ИИ
Состав перечневых позиций с профилем искусственного интеллекта, что даёт диплом каждой и почему всероссийская олимпиада по ИИ — не то же самое, что ВсОШ: олимпиада по искусственному интеллекту.
Частые вопросы
Нужно ли знать Python, чтобы готовиться?
Для этих задач — нет: ответ вводится числом, считается по формуле. Python нужен на практическом туре с датасетом, и к нему мы не готовим.
Какие олимпиады это закрывает?
Отборочные туры олимпиад по искусственному интеллекту и анализу данных — ту их часть, где спрашивают счёт: метрики, расстояния, деревья, градиент.
С какого класса имеет смысл?
С девятого: нужны проценты, доли и уверенная арифметика. Формулы метрик даются в самих задачах — заранее их знать не нужно.
Чего здесь нет?
Практического тура: обучения модели на готовом датасете с pandas и numpy. Песочница запускает чистый Python без внешних библиотек, и делать вид, что этого хватит, мы не будем.