# НТО 2025/2026 — Профиль «Искусственный интеллект»

## Индивидуальный этап

## Правила участия

Нажимая кнопку «Отправить решение», вы соглашаетесь с [Правилами участия в соревновании.](https://disk.yandex.ru/i/SOn00swRMGu_cw)

**Обратите внимание:** до дедлайна выбора финальных сабмитов  второго этапа участник заполняет форму: https://forms.yandex.ru/u/6912ff409029024866e7cbce/ — с указанием UID на ods.ai, ID на talent.kruzhok.org и ссылкой на артефакты. 

Форму можно отправлять повторно; к проверке принимается последняя подача до дедлайна. Отсутствие формы или её подача после дедлайна означает, что даже при достаточном результате на лидерборде ODS переход в следующий этап реализован не будет.

---

## 1. Описание задачи

**Контекст:** Крупная книжная онлайн-платформа собирает данные о взаимодействиях пользователей с книгами. Данные разделены хронологически на несколько частей (чанков). Для этого этапа мы моделируем реальную ситуацию: у нас есть история взаимодействий пользователей до определённого момента времени (`train.csv`), и нам нужно предсказать оценку для их следующего взаимодействия в будущем (`test.csv`).

**Цель:** Разработать модель машинного обучения, которая на основе истории взаимодействий пользователя (`train.csv`) предсказывает оценку (`rating`), которую этот пользователь поставит своей следующей прочитанной книге.

**Особенности задачи:**
- **Временной разрыв:** Обучающая выборка (`train.csv`) содержит данные за один период времени, а тестовая — за следующий. Это имитирует реальную задачу, где модель должна предсказывать будущие предпочтения.
- **Отсутствие "холодных" пользователей:** В тестовую выборку включены только те пользователи, у которых есть история в обучающей выборке. Это позволяет сфокусироваться на качестве рекомендаций для существующей аудитории.
- **Одно предсказание на пользователя:** Для каждого пользователя в тестовой выборке необходимо предсказать оценку только для одной, последней прочитанной им книги.

Это классическая задача регрессии в контексте рекомендательных систем. Она проверяет навыки работы с разреженными табличными данными, генерации признаков и построения точных прогнозных моделей.

---

## 2. Бейзлайн-решение

Для быстрого старта предоставлено бейзлайн-решение, которое можно и нужно использовать в качестве отправной точки для разработки собственного решения.

**Бейзлайн расположен по ссылке:** [https://github.com/Orange-Hack/nto-ai-25-26-individual-baseline](https://github.com/Orange-Hack/nto-ai-25-26-individual-baseline). Если вы предпочитаете работу в Jupyter Notebook'ах (.ipynb) -- см. страницу соревнования "Данные". Там лежит ноутбук, дублирующий функционал репозитория и который удобно запустить в Google Colab.

**Рекомендация:** Для старта работы рекомендуется сделать Fork репозитория. Это позволит бесшовно получать обновления бейзлайна через синхронизацию с оригинальным репозиторием.

Бейзлайн содержит:
- Полностью рабочий пайплайн обучения и предсказания
- Примеры feature engineering (агрегированные признаки, работа с текстом через TF-IDF и BERT)
- Структуру проекта и необходимые утилиты для валидации решения

**Важно:** Бейзлайн использует для обучения только книги с `has_read=1` (книги, которым была поставлена оценка). Записи с `has_read=0` исключаются из обучающей выборки. Это соответствует условию задачи, согласно которому предсказания делаются только для книг, которые были прочитаны и оценены.

Рекомендуется изучить бейзлайн перед началом работы над задачей.

---

## 3. Данные

> Подробное описание структуры данных, полей и связей между таблицами вынесены в раздел "Данные".

## 4. Формат решения

> Подробное описание структуры данных, полей и связей между таблицами вынесены в раздел "Данные".

## 5. Метрика оценки

Итоговый балл рассчитывается на основе двух стандартных метрик качества регрессии: среднеквадратичной ошибки (RMSE) и средней абсолютной ошибки (MAE).

### 5.1. Среднеквадратичная ошибка (RMSE)

Показывает, насколько велики среднестатистические отклонения предсказаний от истинных значений.

$$
\mathrm{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^N (\hat{y}_i - y_i)^2}
$$

### 5.2. Средняя абсолютная ошибка (MAE)

Показывает среднюю абсолютную разницу между предсказанными и истинными значениями.

$$
\mathrm{MAE} = \frac{1}{N} \sum_{i=1}^N |\hat{y}_i - y_i|
$$

*Где $N$ — количество записей в выборке, $y_i$ — истинная оценка, $\hat{y}_i$ — предсказанная оценка.*

### 5.3. Итоговый балл (Score)

Для расчёта итогового балла ошибки нормализуются делением на ширину диапазона оценок ($R=10$). Финальный балл вычисляется как среднее арифметическое нормализованных ошибок, вычтенное из единицы. **Чем выше Score, тем лучше результат.**

$$
\mathrm{Score} = 1 - \left(0.5 \cdot \frac{\mathrm{RMSE}}{10} + 0.5 \cdot \frac{\mathrm{MAE}}{10}\right)
$$

Лидерборд сортируется по убыванию значения Score.

---

## 6. Условия соревнования

### 6.1. Проверка и лидерборд

- **Публичный лидерборд (Public):** Рассчитывается на видимой части тестовых данных. Результат обновляется после каждой успешной отправки решения.
- **Приватный лидерборд (Private):** Рассчитывается на скрытой части тестовых данных. Финальные результаты соревнования определяются исключительно по этому лидерборду.
- **Лимиты:** Устанавливается ограничение на количество отправок в сутки и на весь этап. Точные значения будут указаны на странице соревнования.

### 6.2. Ограничения

- Запрещено использовать любые внешние данные и предварительно обученные модели, за исключением общедоступных (например, для обработки текста).
- Решение должно быть полностью автономным и не требовать доступа к сети Интернет во время работы.

Подробнее см. Правила участия

Public

Данные

НТО 25-26 этап 2 Индивидуальная задача

Predictions

387200

240902

520140

379001

242672

492139

390038

528004

489838

735733

594209

594907

501170

370617

581287

128932

601625

48826

597102

597540

398951

379073

720070

378878

20973

144752

770805

377667

717074

43350

760182

695011

125864

239215

534880

743736

677052

372867

39434

387605

770802

796157

135099

719866

243336

129812

127535

772290

529396

599340

NTO 25 individ score

#	Teams (397)	NTO 25 individ score	Last	Entries
1	387200	0.773276603	9m	58
2	240902	0.7730091512	9m	35
3	520140	0.7728216406	9m	47
4	379001	0.7721340752	9m	34
5	242672	0.7720386477	9m	47
6	492139	0.7719867977	9m	69
7	390038	0.7717925702	9m	65
8	528004	0.7716701312	9m	57
9	489838	0.7715583594	9m	52
10	735733	0.7714885365	9m	66
11	594209	0.7712965426	9m	46
12	594907	0.7710897434	10m	31
13	501170	0.7710658024	9m	40
14	370617	0.7710048097	9m	72
15	581287	0.7709782243	9m	49
16	128932	0.7709394561	9m	62
17	601625	0.7708976497	9m	51
18	48826	0.770845463	9m	44
19	597102	0.7707822894	9m	52
20	597540	0.7707588265	9m	34
21	398951	0.7706117177	9m	75
22	379073	0.770574972	9m	34
23	720070	0.7705216097	9m	30
24	378878	0.7705178258	9m	51
25	20973	0.770496408	9m	18
26	144752	0.770438139	9m	29
27	770805	0.770438139	9m	16
28	377667	0.770379501	9m	35
29	717074	0.7703421554	9m	36
30	43350	0.7703338354	9m	71
31	760182	0.7702068535	9m	80
32	695011	0.7702032487	9m	2
33	125864	0.7701859208	9m	28
34	239215	0.7701511722	9m	25
35	534880	0.7701511721	9m	11
36	743736	0.7700426222	9m	100
37	677052	0.7699642848	9m	34
38	372867	0.769950766	10m	14
39	39434	0.769926975	9m	28
40	387605	0.7698864457	10m	1
41	770802	0.7698614522	9m	17
42	796157	0.7697385907	9m	20
43	135099	0.7697363832	9m	51
44	719866	0.7697142178	9m	29
45	243336	0.7697123945	9m	28
46	129812	0.7696774432	9m	56
47	127535	0.7696627471	9m	18
48	772290	0.7696129652	9m	52
49	529396	0.7696129652	9m	7
50	599340	0.7696038148	9m	16