Первый шаг
в олимпиадах по ИИ
За 8 занятий разберемся, как устроены олимпиады по ИИ, освоим рабочий стек и соберем свое первое решение учебного соревнования
ИИ-олимпиады — новое стремительно развивающееся направление
Это олимпиадный трек, который позволяет рано войти в перспективную область, получить практический опыт и понять, как устроены реальные задачи по ИИ.
Новая олимпиадная траектория
ИИ-олимпиады — это отдельное направление со своей логикой, задачами и перспективами роста.
Не только теория, но и практика
Учимся работать с данными, моделями и делает первые реальные решения.
Понятный вход в современную область
Курс помогает войти в тему ИИ с базовым Python, но без необходимости уже разбираться в ML.
Полезный навык на будущее
Работа с данными, моделями и соревнованиями развивает мышление, которое будет востребовано ещё много лет.
Формат занятий
Формат занятий
- 8 занятий за 1 месяц — оптимальный ритм для входа в направление
- Онлайн + записи: можно пересматривать и не бояться пропусков
- Длительность занятия 180 минут
- Практика на каждом занятии — задачи и разбор ошибок
- Поддержка и вопросы в чате
- Итоговое мини-соревнование и план дальнейшей подготовки
Преподаватель
Что будет в эти 4 недели обучения
От Python для данных — до первой нейросети и итогового мини-соревнования.
Вход в направление
Разбираемся, что такое ИИ-олимпиады, освежаем Python и учимся работать с NumPy.
Что такое ИИ-олимпиады. Среда и Python для данных
- Ландшафт: Всероссийская олимпиада по ИИ, НТО, IOAI
- Google Colab, Kaggle, первый ноутбук
- Повторение Python: списки, словари, функции
NumPy: векторы, матрицы, векторизация
- ndarray, shape, reshape, broadcasting
- Индексация, срезы, операции над массивами
- Первые практические задачи на NumPy
Работа с данными и математика
Учимся загружать датасеты, делать EDA и разбираем математическую базу для ML.
pandas и первичный анализ данных (EDA)
- Series, DataFrame, read_csv
- Фильтры, groupby, merge, пропуски
- Графики и поиск закономерностей в данных
Математика для ML — рабочий минимум
- Векторы, матрицы, скалярное произведение
- Производная, градиент, функция потерь
- Вероятности, ожидание, дисперсия, распределения
Классическое машинное обучение
Разбираем цикл «данные → модель → метрика» и обучаем первые рабочие baseline-модели.
Постановка задачи ML и первые модели
- Train / validation / test, метрики, переобучение
- Линейная и логистическая регрессия
- Первый submit на Kaggle
Деревья решений и градиентный бустинг
- Decision Tree, Random Forest, Gradient Boosting
- XGBoost, LightGBM, CatBoost — обзор
- Сравнение моделей на табличной задаче
Первая нейросеть и итоговое соревнование
Получаем общее представление о нейросетях, пишем первую модель на PyTorch и собираем всё в итоговое решение.
Введение в нейронные сети и PyTorch
- Перцептрон, полносвязная сеть, функции активации
- Тензоры, autograd, тренировочный цикл
- Первая сеть на MNIST / Fashion-MNIST
Итоговое мини-соревнование и план дальнейшей подготовки
- Разбор лучших решений и типичных ошибок
- Учебное соревнование на табличной задаче
- Карта дальнейшего роста после интенсива
Расписание
2 занятия в неделю в удобном вечернем формате
Гарантия
Мы уверены в своей методике и готовы вернуть полную стоимость в первые 2 недели, если вам не подойдёт формат.
Олмат в цифрах
-
🏆 107 дипломов финала ВсОШ 2024/25, из них 11 победителей (среди тех, кто занимался с нами не менее года) - 98 дипломов финала ВсОШ 2023/24
- 131 призер Матпраздника и 36 дипломов Турнира Архимеда в 2025 году
- 🎓 9 из 10 человек поступают в топовые вузы по олимпиадам
- Рейтинг 5.0 в Яндексе и более 500 отзывов в группах в ВК
- Участник инновационного кластера Сколково и благодарности от Московской области и НИУ ВШЭ