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 ты пишешь программу на Python, которая считает ответ по данным. Она проверяется на тестах. Нужны основы Python: ввод данных, условия и циклы.
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. Пишешь программу на Python, которая читает данные, считает и выводит ответ. Она проверяется на тестах; число в поле ответа вводить не нужно. Внешние библиотеки не используются.
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?
Да. Здесь отправляется программа на Python: нужны ввод данных, условия и циклы. Если начинаешь с нуля, в разделе информатики есть бесплатный курс Python.
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.