<h3>Описание задачи</h3>

<p>Вам предстоит разработать алгоритм, способный прогнозировать липофильность малых органических молекул. Данный параметр по сути представляет коэффициент распределения между неполярной и полярной фазой &mdash; соотношение растворимостей рассматриваемого соединения в октаноле-1 и воде. Липофильность является важным параметром, расчет которого является неотъемлемой частью разработки новых лекарственных средств.</p>

<h3>Метрика</h3>

<p>Для оценки решений будет использована стандартная метрика для регрессионных задач, корень из <a href="https://scikit-learn.org/stable/modules/model_evaluation.html#mean-squared-error" rel="noopener noreferrer" target="_blank">средней квадратичной ошибки</a> (<i>root&nbsp;mean&nbsp;square&nbsp;error,&nbsp;RMSE</i>)</p>

<h3>Baseline</h3>

<p>Вам доступно базовое решение от разработчиков задачи с использованием библиотек <a href="https://scikit-learn.org" rel="noopener noreferrer" target="_blank">scikit-learn</a> и <a href="https://www.rdkit.org/docs/index.html" rel="noopener noreferrer" target="_blank">RDKit</a>.<br />
Предполагаемый пайплайн работы модели включает в себя следующие этапы:</p>

<ol>
<li>Генерация представления молекул, пригодного для использования в качестве входных данных для предсказательных моделей</li>
<li>Предсказание целевого параметра исходя из сгенерированного представления</li>
</ol>

<h3>Прием решений&nbsp;</h3>

<p>Решения принимаются до 14 декабря 12:00 (мск). Далее до 23:59 14 декабря необходимо выбрать финальные решения.</p>

В рамках этого сезона профиля «Искусственный интеллект» НТО участникам предстоит погрузиться в проблематику области и освоиться в работе с молекулами и их свойствами. Ведь в отличие от более привычных задач ИИ, здесь важно, помимо прочего, научить алгоритм учитывать законы природы с ее чрезвычайно сложной и порой неизвестной организацией, управляемой строгими, но не всегда применимыми на практике законами.

Public

Private

Данные

User agreement

<p>Я прочитал(-а) и согласен(-на) с <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Пользовательским соглашением и Политикой конфиденциальности</a></p>

Personal data

<p>Я даю свое <a href="https://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/NTO_2023_2024/Consent_23_24.pdf" rel="noopener noreferrer" target="_blank">согласие</a> ООО &ldquo;Соревнования Анализа Данных&rdquo; на обработку и передачу моих персональных данных партнерам мероприятия для информационного взаимодействия</p>

Consent

<p>Я <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf" rel="noopener noreferrer" target="_blank">согласен(а)</a> получать информационные рассылки от ООО &ldquo;Соревнования Анализа Данных&rdquo;&nbsp;</p>

Contest Rules

<p>Согласен (-на) с <a href="https://storage.yandexcloud.net/ds-ods/files/content/2023/11/22/36e75574/Competition_rules_NTO_23_24.pdf">Правилами Конкурса</a></p>

<p>&nbsp;</p>

<p>You have reached the registration page for the Artificial Intelligence profile of the National Technology Olympiad 2023/24. <strong>When registering, please give your Talent-ID, the same email and the correct name you gave when you registered for the NTO.</strong></p>

email

Email

talentid

#	Teams (211)	Root Mean Squared Error	Last	Entries
1	gpt4isalluneed	0.1515437578	17m	11
2	Leonid Grebenuk	0.1620865882	17m	19
3	rox plays the seeds	0.1770624051	17m	48
4	Moonlay	0.2160030009	17m	21
5	Nicolay Plashinskiy	0.2497587291	17m	9
6	S	0.2575835746	17m	6
7	Дмитрий Быков	0.2739021249	17m	4
8	адиля калмурзз	0.309894856	17m	15
9	NEDENIS	0.333941682	17m	26
10	Evgeniia Petukhova	0.3526804717	17m	17
11	Vadim Vetrov	0.3818232478	17m	42
12	Igor Dmitrievich Ignatov	0.3904913134	17m	9
13	Misha Murzaev	0.3942719723	17m	14
14	Гарифуллин Тимур	0.3960760193	17m	24
15	Konstantin Ignatov	0.3972972404	17m	22
16	moti4k	0.4006371289	17m	4
17	Egor Iurov	0.4032754937	17m	13
18	Масло	0.4090689329	17m	18
19	dead4an	0.4098348931	17m	49
20	Калинин Эм	0.4101371322	17m	56
21	German Kek	0.4109489427	17m	34
22	Artiom Gorokhov	0.4162218195	17m	6
23	Roman Pakhomov	0.4179482128	17m	17
24	Seniors	0.4181397063	17m	2
25	l64894b4fcc02	0.4219623946	17m	10
26	twwist	0.4246933659	17m	16
27	Ian Gustov	0.4264835078	17m	10
28	Alex Ast	0.4294202639	17m	15
29	Cheburek	0.4304527894	17m	4
30	Rostislav Volodikhin	0.4309144061	17m	42
31	Maksim Kulagin	0.4381899081	17m	29
32	Мативацию надо паднять	0.4395271673	17m	5
33	vlyrdv	0.4410754519	17m	13
34	ISY	0.4415973173	17m	14
35	Andrey Khlopotnukh	0.4416659162	17m	7
36	mattqx	0.4432755106	17m	18
37	Dmitry Filinov	0.4458117591	17m	11
38	Egor Andreasyan	0.4475920299	17m	36
39	жесть аллюминий	0.4476572826	17m	13
40	Daniil Teplov	0.4479205684	17m	30
41	Krylov Aleksandr	0.448871402	17m	19
42	Giovani Artemio	0.448871402	17m	2
43	xdd	0.4490975492	17m	11
44	Bonifaciy Black	0.4560872653	17m	17
45	Fedor Fedorov	0.4564839008	17m	13
46	Михаил Вершинин	0.4569737709	17m	17
47	danil karpov	0.4574482499	17m	15
48	Anton Petlin	0.4584290354	17m	2
49	qa554d1c8a7b0	0.4597078035	17m	11
50	Sunik Timofey	0.4597798968	17m	37