search icon search icon ВЕРСИЯ ДЛЯ СЛАБОВИДЯЩИХ

Большие данные и машинное обучение

  • Сквозные технологии НТИ: Большие данные и искусственный интеллект
  • III уровень РСОШ
  • 100 баллов к ЕГЭ
  • Сквозные технологии НТИ: Большие данные и искусственный интеллект
  • III уровень РСОШ
  • 100 баллов к ЕГЭ
Информатика Математика
  • Этап 1
    5 сентября — 7 ноября
    2023
  • Этап 2
    13 ноября — 14 декабря
    2023
  • Финал
    4 марта — 9 марта
    2024

Расписание

В современном мире объем данных растет экспоненциально. Большие данные предоставляют ценную информацию о поведении клиентов, рынков, производственных процессов. Умение работать с большими данными дает возможность извлекать ценные инсайты и принимать обоснованные бизнес-решения.

Машинное обучение позволяет автоматизировать процессы и улучшить эффективность работы в таких сферах, как финансы, медицина и производство. Алгоритмы машинного обучения могут обрабатывать и анализировать большие объемы данных гораздо быстрее и точнее, чем человек. Они используются в автономных автомобилях, рекомендательных системах, голосовых помощниках и многих других технологиях.

Большие данные и машинное обучение1
Большие данные и машинное обучение2
Большие данные и машинное обучение3
Большие данные и машинное обучение4
Большие данные и машинное обучение5
Большие данные и машинное обучение6
Большие данные и машинное обучение7
Большие данные и машинное обучение8
Большие данные и машинное обучение9
01 9

Этапы соревнований

Этап 1

В рамках первого отборочного этапа участникам предстоит решить задачи по математике, информатике и программированию в предметном туре, освоить теорию машинного обучения через образовательный блок и развить свои компетенции в анализе данных в инженерном туре.

Этап 2

Задания второго этапа готовят участников к задачам финального тура. Участники познакомятся с платформой по проведению контеста. 

Задания представляют из себя задачи по олимпиадному программированию и задачи по машинному обучению.

Финал

Заключительный этап пройдет очно в Санкт-Петербурге в Университете ИТМО. Участникам предстоит решить задания предметного тура по математике, информатике и программированию.

Финальная задача традиционно является классическим соревнованием по построению прогнозных моделей. Участники будут работать в команде и смогут проявить свои компетенции в ходе работы над решением задачи финального этапа.

Требования к команде

Знания 

  • Понимание данных: в первую очередь необходимо уметь изучить предоставленные данные и понять, какие переменные и признаки влияют на целевую переменную, которую необходимо предсказать.

  • Предобработка данных: часто данные требуют предварительной обработки, такой как заполнение пропущенных значений, масштабирование признаков, удаление выбросов и т.д.

  • Выбор модели: знание моделей для решения задачи. Это может быть классическая модель машинного обучения, нейронная сеть или другой алгоритм.

  • Обучение модели: знания по обучению моделей на тренировочных данных. Это включает в себя подгонку модели к данным и настройку параметров.

  • Оценка модели: знания по оцениванию результата на тестовых данных. Это позволяет понять, насколько точные и надежные предсказания делает модель.

  • Улучшение модели: если модель не дает достаточно хороших результатов, можно попробовать улучшить ее, изменяя параметры модели или использовать другую модель.

  • Предсказание на новых данных: после того, как модель была обучена и оценена, ее можно использовать для предсказания значений на новых данных.

Hard skills для старта

  • Программирование на Python;

  • Аналитика данных;

  • Основы программирования;

  • Переобучение;

  • Основы алгоритмов и техник машинного обучения, базовые знания о структурах данных;

  • Базовая математическая подготовка.

Hard skills для финала

  • Программирование на Python, в том числе библиотеки работы с данными (numpy, pandas) и библиотеки глубокого обучения (keras, PyTorch);

Численность команды и роли

Для участия на втором и заключительном этапах вам понадобится команда из 2-3 человек. Роли в команде распределяются командой самостоятельно.

Материалы подготовки

Организаторы

Партнеры

background image background image background image background image background image background image background image background image background image background image background image background image
background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image