Задачи DS - Собеседования, Соревнования, ШАД

Здравствуйте, мои маленькие любители DS/ML. Сегодня простой, нетехнический пост про то, как же все таки строить карьеру и какие варианты развития пути существуют? Я и сам сейчас еще изучаю рынок, но что мне представляется на данный момент: 1) Попасть в какой-то бигтехе и стать там внутренней "звездой". Что я имею в виду под "звездой"? Я подразумеваю развитие себя с определенного момента, как отчасти лица компании выступлениями на конференциях или иначе говоря медийной стороны. Данный путь, разумеется, не быстрый. Грейд-ап в бигтехе - вещь достаточно долгая, повышают небыстро и нужно правда доказать и показать свою заинтересованность к продукту. Поэтому, для тех, кто реально хочет двигаться в таком направлении, мне кажется, нужно в первую очередь выбирать команду, чей продукт тебе будет интересен. Этот путь не совсем про бабло напрямую. Конечно, твое лицо будет приносить деньги в карман, но все-таки повышения внутри компании несильно повышают зп. Из компаний на российском рынке: Яндекс, ВК, Т-БАНК, СБЕР. 2) Job-Hopping / Совмещение нескольких работ. Тут основная цель - заработок денег. Устраиваетесь в две конторы, в которых по факту нет как такового контроля качества твоей работы, выбиваете себе зп, уповая на богатый опыт. Данная практика сейчас самая распространённая. Работаете 1 год в компании - сменяете компанию, повышаете себе себе и т.д. Да, можно зарабатывать достаточно приличные деньги уже в 22-23 года (+- 700-800 к). Но при этом есть вероятность в какой-то момент перегореть и быть сконцентрированным лишь на заработке денег. 3) Стремиться в зарубежные компании и повторять там 1-2 пункты. На мой взгляд данный вариант развития событий имеет материальный смысл лишь в том, случае, если ты на валютной удаленке. Иначе, в той же Европе есть вероятность погрязть в катастрофические налоговые сборы и по итогу своей звездной карьеры, прибыв в Россию , не иметь никаких вложений. Однако, данный подход достаточно хорош для медийной стороны вопроса. 4) Развитие в научной области. Данный путь, пожалуй, самый долгий и бюрократичный, требующий реальной любви к делу. Зачастую, такое совмещают с работой в компании, потому что денег так на всю жизнь не заработаешь. Из плюсов - можно стать хайповым PHD, что повысит шансы для развития карьеры в п. 5 или п. 1. Из минусов - надоест и бросишь, все будет зря / не найдется хороший научный руководитель. 5) Работа в фондах ML/DL Engineer / Квантом. Данный путь яаляется, пожалуй, самым нишевым и тернистым. Во первых,  вам всегда нужно быть в тонусе, будьте готовы к переработкам (для реального перфоманса и выживания / премий [а большая часть зп там именно с премий] ребята обычно работают 50-60 ч в неделю), высокой конкуренции и высоким требованиям к себе от команды (в основном все сильные олимпиадники). Из плюсов - высокая зп, почет и уважение. Из минусов - достаточно долго и сложно туда попасть, если нет олимпиадного бэкграунда (на это, к сожалению и к счастью, прямо смотрят), для нанимающих людей из этой области неважен опыт, важен сигнал крутости (как выразился мой знакомый из одной из таких компаний). Из минусов - есть вероятность перегореть от нагрузок и уйти из области, сильно упав в материальных благах, от которых вы привыкли. Так или иначе, любой путь - достоин уважения и имеет свои обоснования. Ведь, как сказал классик: ""More is lost by indecision than wrong decision""

Скидки закончатся уже завтра 🎉 Хочешь стать настоящим спецом, прокачаться и уверенно проходить интервью в топовые компании - Яндекс, Тинькофф, Авито? Выбирай направление и записывайся у администратора : ➡️ алгоритмы старт ➡️ аналитика старт ➡️ машинное обучение старт ➡️ бэкенд разработка старт Забудь про скучные и абстрактные курсы, у нас все по-другому: максимум практики, наглядная теория и реальные кейсы, задачи и вопросы с тех собеседований, гарантия результата и никакой воды, только реально нужные вещи!

Только у нас ты получишь: 🔽 Разбор актуальных контестов Яндекса и Тинькофф 🔽 Огромный банк реальных технических вопросов 🔽 Реальные тестовые задания топовых бигтехов 🔽 Сочные pet-проекты в портфолио 🔽 Разбор всех задач с алгсобесов Яндекса

После курса тебя ждет: • Пробный техсобес • Персональная консультация и сопровождение • Рефералка в Яндекс, или другую топ-компанию ❗️ Курс стартует 1 февраля, а примеры занятий, программу и отзывы можно найти на сайте

Решение: Идея в том, что если у нас в поддереве есть хотя бы k детей, то кол-во различных чисел для этой вершины будет равно кол-ву элементов в поддереве. Но для разных подвешенных вершин это надо аккуратно и быстро пересчитывать. Воспользуемся dfs-ом. По окончании подсчета величины поддерева dfs-ом для вершины пересчитаем мощность поддерева детей. Для тех детей, у которых поддереве >= k , добавим в ответ. Код: ``` #include <bits/stdc++.h> #include <iostream> #include <vector> #define all(x) (x).begin(), (x).end() #define int long long using namespace std; int n, k, ans = 0; int dfs(int v, int p, vector<vector<int>> &g) { int total_in_subtree = 1; ans += 1; vector<int> children_size; for (int u : g[v]) { if (u == p) { continue; } int subtree_size = dfs(u, v, g); children_size.push_back(subtree_size); total_in_subtree += subtree_size; } children_size.push_back(n - total_in_subtree); for (int size : children_size) { int other = n - size; if (other >= k) { ans += size; } } return total_in_subtree; } void solve() { cin >> n >> k; vector<vector<int>> g(n); ans = 0; for (int i = 0; i < n - 1; i++) { int u, v; cin >> u >> v; u--; v--; g[u].push_back(v); g[v].push_back(u); } dfs(0, -1, g); cout << ans << endl; } int32_t main() { std::ios::sync_with_stdio(false); std::cin.tie(nullptr); std::cout.tie(nullptr); int tt = 1; std::cin >> tt; while (tt--) { solve(); } } ``` Конечно, данная тема не самая ML-ная, однако например задача 5 - в точности повторяет одну из задач, которую я решал при отборе на стажировку в ML команду Яндекса. Пишите комментарии, делитесь решениями!

Решение: Искомое минимальное x почти всегда равно 2 или 3: если в массиве есть нечётный элемент, берём x=2; иначе (все чётные) достаточно проверить x=3 и, если все элементы делятся на 3, ответ будет 5 и т.д. Решение слегка не оптимальное, но на контесте в ограничения влезло. Код: ``` #include <iostream> #include "bits/stdc++.h" using namespace std; int64_t gcd(int64_t a, int64_t b) { while (b != 0) { int64_t temp = b; b = a % b; a = temp; } return a; } int64_t findMinCoprime(int64_t a) { if (a <= 1) { return 2; } for (int64_t b = 2; b <= 1000000000000000000; b++) { if (gcd(a, b) == 1) { return b; } } return -1; } int main() { int64_t t; cin >> t; while (t--) { int64_t n; cin >> n; vector<int64_t> a(n); for (int64_t i = 0; i < n; i++) { cin >> a[i]; } int64_t result = -1; for (int64_t i = 0; i < n; i++) { int64_t prime_result = findMinCoprime(a[i]); if (result == -1) { result = prime_result; } else if (result > prime_result) { result = prime_result; } else { continue; } } cout << result << "\n"; } } ``` 5) E. khba любит спать! Условие: https://codeforces.com/problemset/problem/2167/E Решение: Идея стандартная и элегентная от моего друга, с которым писал контест (сам задачу я идейно понял, но реализовать не смог) - бин поиск по ответу. Расстояние от телепорта до одного из друзей - монотонная функция (если для большего расстояния работает, то и для меньшего тоже). Пусть мы предполагаем, что ответ равен x, тогда просто банально не ставим телепорты в x окрестности друга и проверяем, сколько у нас допустимых мест. Код: ``` #include <bits/stdc++.h> #include <iostream> #include <vector> #define all(x) (x).begin(), (x).end() #define int long long using namespace std; void solve() { int n, k, sz; cin >> n >> k >> sz; vector<int> a(n); for (auto& x : a) { cin >> x; } sort(all(a)); a.push_back(2 * sz); vector<int> res; for (int i = 0; i < k; i++) { res.push_back(i); } int tl = 0, tr = sz + 2; while (tl + 1 < tr) { int tm = (tl + tr) / 2; int prev = -sz; vector<int> pos; for (auto& x : a) { int left = max(0LL, prev + tm); int right = min(sz, x - tm); for (int i = left; i <= right; i++) { if (pos.size() == k) { break; } pos.push_back(i); } prev = x; } if (pos.size() >= k) { tl = tm; res = pos; } else { tr = tm; } } for (auto& x : res) { cout << x << " "; } cout << '\n'; } int32_t main() { std::ios::sync_with_stdio(false); std::cin.tie(nullptr); std::cout.tie(nullptr); int tt = 1; std::cin >> tt; while (tt--) { solve(); } } ``` 6) 2167F - Дерево, ДЕРЕВО!!! Условие: https://codeforces.com/problemset/problem/2167/F

Здравствуйте мои маленькие любители DS и ML! Прошлый пост набрал большое кол-во реакций, посему мы начинаем новую рубрику разборов Div-ов. Сразу оговорюсь - я не олимпиадный программист, я только учусь решать такие задачи. Мой код может быть не оптимальным, а решение не самое элегантное. Предлагаю приходить в комментарии и давать фидбек / предлагать свое решение. В прошлый раз мы с другом решали Codeforces Round 1062 (Div. 4). Приступим к задачам. 1) A. Квадрат? Условие: https://codeforces.com/problemset/problem/2167/A Решение: элементарная проверка равенства, халява: Код: ``` #include <iostream> #include "bits/stdc++.h" using namespace std; int main() { int t; cin >> t; while (t--) { int a, b, c, d; cin >> a >> b >> c >> d; if (a == b && c == d && a == c) { cout << "YES" << "\n"; } else { cout << "NO" << "\n"; } } } ``` 2) B. Твоё имя https://codeforces.com/problemset/problem/2167/B Решение: Сохраняем все в мапу, сравниваем мапы Код: ``` #include <iostream> #include "bits/stdc++.h" using namespace std; int main() { int q; cin >> q; while (q--) { int n; cin >> n; string s1, s2; cin >> s1 >> s2; map<char, int> cnt_s; for (int i = 0; i < n; i++) { cnt_s[s1[i]]++; } map<char, int> cnt_t; for (int i = 0; i < n; i++) { cnt_t[s2[i]]++; } if (cnt_s == cnt_t) { cout << "YES" << "\n"; } else { cout << "NO" << "\n"; } } } ``` 3) C. Исаматдин и его волшебная палочка! Условие: https://codeforces.com/problemset/problem/2167/C Решение: Если все одной четности - возвращаем. Иначе - разбиваем массив на две группы: нечётные и чётные элементы. Каждая группа сортируется по возрастанию. Дальше выполняется стандартное “слияние” двух отсортированных списков: на каждом шаге берётся меньший из текущих элементов в списке нечётных и в списке чётных. Код: ``` #include <iostream> #include "bits/stdc++.h" using namespace std; int main() { int t; cin >> t; while (t--) { int n; cin >> n; vector<int> a(n); for (int i = 0; i < n; i++) { cin >> a[i]; } bool all_odd = true, all_even = true; for (int x : a) { if (x % 2 == 0) all_odd = false; else all_even = false; } if (all_odd || all_even) { for (int x : a) { cout << x << " "; } cout << "\n"; continue; } vector<pair<int, int>> odd_group; vector<pair<int, int>> even_group; for (int i = 0; i < n; i++) { if (a[i] % 2 == 1) { odd_group.push_back({a[i], i}); } else { even_group.push_back({a[i], i}); } } sort(odd_group.begin(), odd_group.end()); sort(even_group.begin(), even_group.end()); vector<int> result; int i = 0, j = 0; while (i < odd_group.size() && j < even_group.size()) { if (odd_group[i].first < even_group[j].first) { result.push_back(odd_group[i].first); i++; } else { result.push_back(even_group[j].first); j++; } } while (i < odd_group.size()) { result.push_back(odd_group[i].first); i++; } while (j < even_group.size()) { result.push_back(even_group[j].first); j++; } for (int x : result) { cout << x << " "; } cout << "\n"; } } ``` 4) D. Еще одна задача с массивами Условие: https://codeforces.com/problemset/problem/2167/D

Какие материалы можно посмотреть по RL? 1) Полезная база по RL из Яндекс Учебника: https://education.yandex.ru/handbook/ml/article/obuchenie-s-podkrepleniem 2) Супер курс от ШАД по RL с практиками и ноутбучками: https://github.com/yandexdataschool/Practical_RL 3) Тренировки по ML Яндекс 4.0 (достаточно сжато, но очень полезно) https://www.youtube.com/playlist?list=PLXtiZNKIobF6DmJc7MgCN3WTAPUZUJKmm 4) Углубленный курс от Бэркли - https://rail.eecs.berkeley.edu/deeprlcourse/ 5) Оригинальная статья про DPO: https://arxiv.org/abs/2305.18290 6) DeepSeekMath, где GRPO вводится как один из ключевых ингредиентов: https://arxiv.org/abs/2402.03300 Также, мы с другом решили заново начать решать Div-ы Codeforces-а - проверим, насколько быстро мы дойдем до рейтинга, хватающего для HFT? Если вам интересен формат, в котором мы разбираем в постах каждый пройденный Div и делимся прогрессом - ставьте реакции, пишите комментарии. Если вам интересно, чтоб мы как-то обсуждали это в чате и делились решениями, то также ставьте реакции) Формат достаточно полезен, ведь разборов не так много с объяснениями.

Здравствуйте, мои маленькие любители ML и DS! Сегодня поговорим о важной теме как Reinforcement Learning. Почему это действительно важно? Всем известно, что стандартный пайплайн в обучении LLM-моделей: Pretrain->SFT. С претрейном все вполне понятно - просто обучаем большую тушку на большом кластере текстовых данных. SFT - уже этап дообучения модели под конкретный срез задачи. Например, имеем какую-то, скажем 8b модель, которая обучалась на русских текстовых данных и нам пришла таска - обучить модель на суммаризацию информационной поисковой выдачи. Изучаем распределение запросов, генерируем моделью, которой доверяем, ответы в том формате, в котором нужно провести суммаризацию. Помимо всего этого многообразия еще есть этап Alignment-а (выравнивание). В чем заключается данный этап? Да, SFT уже позволяет более тонко настроиться под задачу, но помимо всего прочего существуют множество других сигналов, дающих понять, хороший наш ответ или плохой. Приведу пример. Есть запрос: Сколько лет Дональду Трампу? Ответ модели: На данный момент Дональду Трампу 75 лет. Совершенно понятно, что SFT справилось со своей задачей - на момент дообучения данные актуальные, но на данный момент данные неактуальные. Введем реворд актуальности - это просто модель текстовый классификатор, дающий понять, насколько сгенерированный текст актуален, где 0 - неактуальный, а 1 - актуальный. Разумеется, данный реворд должен быть кратно меньше по кол-ву параметров чем генеративная модель - именно это позволит настроить active-learning пайплайн дообучения классификатора на пласте обновленных данных. Как это работает в алгоритмах RL. 1) Cross Entropy Reinforcement Learning - берем нашу генеративную модель и при помощи различных методов генерации создаем датасет генераций. Берем температурные генерации с разными температурами / Beam Search. Потом прогоняем наш реворд на этом датасете и скорим каждый ответ и берем из датасета по каждому ответу на запрос с наибольшем по реворду значением. После этого дообучаемся на лучших по реворду значениям. 2) DPO. DPO (Direct Preference Optimization) — это способ делать alignment по предпочтениям, который по сути “выкидывает” классический RLHF-пайплайн вида reward model + PPO, и заменяет его прямой оптимизацией на парах предпочтений (chosen vs rejected) через простой классификационный лосс. Ключевая идея: авторы показывают, что стандартную RLHF-цель можно перепараметризовать так, чтобы оптимальную политику можно было получить в замкнутом виде, и на практике это превращается в стабильное и вычислительно легкое дообучение без онлайнового семплинга в процессе оптимизации и без отдельного обучения reward model. 3) GRPO. GRPO (Group Relative Policy Optimization) — это вариант PPO, где вместо отдельной value-сети/критика advantage строится “относительно группы” ответов: на один и тот же промпт сэмплим несколько completions, считаем каждому reward, а дальше сравниваем ответы внутри группы (условно, “лучше среднего” усиливаем, “хуже среднего” подавляем). В таком виде GRPO помогает экономить память/ресурсы по сравнению с PPO (потому что нет отдельной ценностной модели), при этом сохраняя PPO-стиль ограничения шага (обычно через клиппинг и/или KL-пенальти к референсной модели). Обычно эти алгоритмы, используются в цепочке - CE RL -> DPO; CE RL -> GRPO. На практике, я скажу, что данные этапы в совокупности дают больший буст, чем если использовать их по отдельности. По опыту, я замечал, что CE RL - дешевый и в одиночку работает в целом достаточно достойно, а GRPO обычно не заводится без пред CE RL. Какие материалы можно посмотреть?

Здравствуйте, мои маленькие любители ML и DS! Сегодня поговорим о важной теме как Reinforcement Learning. Почему это действительно важно? Всем известно, что стандартный пайплайн в обучении LLM-моделей: Pretrain->SFT. С претрейном все вполне понятно - просто обучаем большую тушку на большом кластере текстовых данных. SFT - уже этап дообучения модели под конкретный срез задачи. Например, имеем какую-то, скажем 8b модель, которая обучалась на русских текстовых данных и нам пришла таска - обучить модель на суммаризацию информационной поисковой выдачи. Изучаем распределение запросов, генерируем моделью, которой доверяем, ответы в том формате, в котором нужно провести суммаризацию. Помимо всего этого многообразия еще есть этап Alignment-а (выравнивание). В чем заключается данный этап? Да, SFT уже позволяет более тонко настроиться под задачу, но помимо всего прочего существуют множество других сигналов, дающих понять, хороший наш ответ или плохой. Приведу пример. Есть запрос: Сколько лет Дональду Трампу? Ответ модели: На данный момент Дональду Трампу 75 лет. Совершенно понятно, что SFT справилось со своей задачей - на момент дообучения данные актуальные, но на данный момент данные неактуальные. Введем реворд актуальности - это просто модель текстовый классификатор, дающий понять, насколько сгенерированный текст актуален, где 0 - неактуальный, а 1 - актуальный. Разумеется, данный реворд должен быть кратно меньше по кол-ву параметров чем генеративная модель - именно это позволит настроить active-learning пайплайн дообучения классификатора на пласте обновленных данных. Как это работает в алгоритмах RL. 1) Cross Entropy Reinforcement Learning - берем нашу генеративную модель и при помощи различных методов генерации создаем датасет генераций. Берем температурные генерации с разными температурами / Beam Search. Потом прогоняем наш реворд на этом датасете и скорим каждый ответ и берем из датасета по каждому ответу на запрос с наибольшем по реворду значением. После этого дообучаемся на лучших по реворду значениям. 2) DPO. DPO (Direct Preference Optimization) — это способ делать alignment по предпочтениям, который по сути “выкидывает” классический RLHF-пайплайн вида reward model + PPO, и заменяет его прямой оптимизацией на парах предпочтений (chosen vs rejected) через простой классификационный лосс. Ключевая идея: авторы показывают, что стандартную RLHF-цель можно перепараметризовать так, чтобы оптимальную политику можно было получить в замкнутом виде, и на практике это превращается в стабильное и вычислительно легкое дообучение без онлайнового семплинга в процессе оптимизации и без отдельного обучения reward model. 3) GRPO. GRPO (Group Relative Policy Optimization) — это вариант PPO, где вместо отдельной value-сети/критика advantage строится “относительно группы” ответов: на один и тот же промпт сэмплим несколько completions, считаем каждому reward, а дальше сравниваем ответы внутри группы (условно, “лучше среднего” усиливаем, “хуже среднего” подавляем). В таком виде GRPO помогает экономить память/ресурсы по сравнению с PPO (потому что нет отдельной ценностной модели), при этом сохраняя PPO-стиль ограничения шага (обычно через клиппинг и/или KL-пенальти к референсной модели). Обычно эти алгоритмы, используются в цепочке - CE RL -> DPO; CE RL -> GRPO. На практике, я скажу, что данные этапы в совокупности дают больший буст, чем если использовать их по отдельности. По опыту, я замечал, что CE RL - дешевый и в одиночку работает в целом достаточно достойно, а GRPO обычно не заводится без пред CE RL. Какие материалы можно посмотреть? 1) Полезная база по RL из Яндекс Учебника: https://education.yandex.ru/handbook/ml/article/obuchenie-s-podkrepleniem 2) Супер курс от ШАД по RL с практиками и ноутбучками: https://github.com/yandexdataschool/Practical_RL 3) Тренировки по ML Яндекс 4.0 (достаточно сжато, но очень полезно) https://www.youtube.com/playlist?list=PLXtiZNKIobF6DmJc7MgCN3WTAPUZUJKmm 4) Углубленный курс от Бэркли - https://rail.eecs.berkeley.edu/deeprlcourse/ 5) Оригинальная статья про DPO: https:/

Здравствуйте, мои уже повзровлевшие любители ML/DS. Я, как самый порядочный дед мороз, решил отправить вам подарок в виде описания секций на аналитика в Яндекс в любую ML команду. Да, праздники - повод сбавить темп, переосмыслить многое и набраться сил, но это не значит, что надо расслаблять булки! 1) Как и обычно, каждая секция начинается со вступления - перетягивать не нужно, просто представитться, уточнить, все ли слышно, все ли видно ~ 2 минуты. 2) Разумеется, каждая секция включает в себя знакомство с кандидатом: a) Обычно спрашивают про работу (если опыта нет - учебу) - что больше всего нравится / не нравится? (например, в работе / какие задачи / алгоритмы ML / курсы) - какие проблемы возникали - как решались? - что полезного удалось сделать? (для себя / мира) б) Если область близка - задается короткий вопрос на понимание: - как решали такой-то бизнес-кейс? - как модифицировать решение, чтобы оно умело еще то-то? - чем обосновывается выбранное решение? оценивалась ли эффективность? как? 3) Задача на ML-алгоритмический кругозор кандидата + скорость размышлений ~ 25 мин Таймлайны примерно такие: a) Формулирование задачи ~5 мин (тут от аналитика ждут обычно то, какие цели оптимизируем (удобство пользователей, удобство магазинов, выручка маркетплейса), какие данные и источники можно использовать, какие сложности со сбором/качеством/доступностью данных). б) Верхнеуровневый подход к решению ~ 5 мин (описать схему решения с обоснованием, посмотреть в сторону альтернативных вариантов). в) Формулы и детали ~ 5 мин (проверяют, насколько кандидат понимает матчасть и детали ML — обычно просят словами описать целевую функцию и возможные альтернативы (часто маркер — logloss), как именно будем оптимизировать (градиентный спуск, что означает “взять производную”), как боремся с переобучением (регуляризация и другие приёмы), затем просим объяснить механику выбранного метода (градиентный бустинг/бэкпроп/линейная регрессия и т.п.), а если ML слабый — уходим в базу вроде регрессии, k-means или PCA). г) АБ-эксперименты, статзначимость ~ 5 мин (тут часто говорят про базовые принципы и кругозор (оценка качества решения от оффлайна до пользовательских исследований), аккуратно подводят к A/B (если сам не назвал — объясняется принцип), обсуждается как принимать решение по эксперименту (почему нельзя “по первым моментам”, нужны статистические оценки), какие бывают тесты (вплоть до Манна–Уитни) и как оценивать риск ошибки/строить доверительные интервалы (если успеваем). 4) Мат-скиллы ~ 20 мин: а) Обычно тут хотят посмотреть, как кандидат соображает + рассуждает, оценить его навыки работы с вероятностью, статистикой, комбинаторикой на практике. 5) Заключение и вопросы от кандидата - остаток времени. Теперь давайте посмотрим на задачи:

    
        Из пункта 3:
Продумать решение для бустинга товаров:

с высокими ставками
с высоким рейтингом
из хороших магазинов{}
    

    
        Из пункта 4:

Есть два кубика (красный и синий) и банк, в котором на старте лежит 0 рублей.
Перед началом каждого раунда можно выбрать: или забрать банк и уйти (выигрыш будет равен сумме в банке), или кинуть кубики.
Если бросаем кубики, то: если на синем кубике выпадает 1, банк обнуляется и игра заканчивается (т.е. выигрыш равен нулю). Если на синем кубике не 1, то в банк добавляется количество рублей, равное сумме чисел на двух кубиках.

Необходимо придумать стратегию максимизации выигрыша.{}
    

А вас я поздравляю с Новым Годом, решайте задачки, пишите решение в комментариях!

Как прошел ICPC Northern Eurasia Finals 2025 🔥 15-17 декабря в Питере 317 команд из лучших вузов боролись за путёвку в мировой финал ICPC — чемпионата мира по программированию Сбер в этом году стал партнёром финала и пригласил участников на экскурсию в ИТ-Хаб, где создают продукты для 100+ миллионов пользователей. Команда блока «Риски» Сбера рассказала про AI-Researcher — мультиагентную систему, которая сама проводит исследования: придумывает гипотезы, пишет код и тестирует результаты. По ряду параметров система уже обошла аналоги от Google DeepMind 💻 А на церемонии награждения Сбер поздравил ребят, которые теперь едут на World Finals 🏆 Спортивное программирование — это не только алгоритмы, но и живое комьюнити. Здесь находят друзей, менторов и будущих коллег 💚