информатика

ГВЭ 2026, Информатика, 9 класс, Письменная форма, Спецификация.

   Спецификация экзаменационных материалов для проведения в 2026 году государственного выпускного экзамена по образовательным программам основного общего образования (письменная форма) по ИНФОРМАТИКЕ.

ОГЭ 2026, Информатика, Методические материалы, Кириенко Д.П., Крылов С.С., Лещинер В.Р., Путимцева Ю.С.

   Пособие предназначено для подготовки экспертов по оцениванию выполнения заданий с развёрнутым ответом, которые являются частью контрольных измерительных материалов (КИМ) для сдачи основного государственного экзамена (ОГЭ) по информатике.
Пособие по предмету включает в себя описание экзаменационной работы 2026 г., научно-методические подходы к проверке и оцениванию выполнения заданий с развёрнутым ответом, примеры ответов участников экзамена с комментариями к оценке этих ответов, а также материалы для самостоятельной работы эксперта.

ЕГЭ 2026, Информатика, Открытый вариант.

   Экзаменационная работа состоит из 27 заданий с кратким ответом, выполняемых с помощью компьютера.
На выполнение экзаменационной работы по информатике отводится 3 часа 55 минут (235 минут).
Экзаменационная работа выполняется с помощью специализированного программного обеспечения, предназначенного для проведения экзамена в компьютерной форме. При выполнении заданий Вам будут доступны на протяжении всего экзамена текстовый редактор, редактор электронных таблиц, системы программирования. Расположение указанного программного обеспечения на компьютере и каталог для создания электронных файлов при выполнении заданий Вам укажет организатор в аудитории.
На протяжении сдачи экзамена доступ к сети Интернет запрещён.
При выполнении заданий можно пользоваться черновиком. Записи в черновике не учитываются при оценивании работы.

Создаем информационные системы, Фельдман Я.А., 2006.

   В книге подробно описана новая модель данных и ее программная реализация, предложенная и выполненная автором. Цель — дать возможность каждому предприятию построить единую информационную систему высокого качества. Работающая программа и общий подход, описанный в книге, дают возможность решить эту задачу. Особе место в книге занимает применение системы в средней школе — как для тестирования учащихся, так и для управления всем педагогическим процессом.

Обучение с подкреплением для реальных задач, Уиндер Ф., 2023.

   Книга посвящена промышленно-ориентированному применению обучения с подкреплением (Reinforcement Learning, RL). Объяснено, как обучать промышленные и научные системы решению любых пошаговых задач методом проб и ошибок — без подготовки узкоспециализированных учебных множеств данных и без риска переобучить или переусложнить алгоритм. Рассмотрены марковские процессы принятия решений, глубокие Q-сети, градиенты политик и их вычисление, методы устранения энтропии и многое другое. Данная книга — первая на русском языке, где теоретический базис RL и алгоритмы даны в прикладном, отраслевом ключе.

Нейросети, Выстрой свою систему из 5 уровней автоматизации, Казанцев Т.

   ИИ-индустрия меняется быстрее, чем успевают выходить книги или ютуб-обзоры. Названия моделей и интерфейсы сервисов, о которых я пишу, неизбежно будут обновляться. Важно не то, как именно сегодня называется модель, а принципы и уровни работы с ИИ, о которых пойдёт речь.
Вы можете читать книгу не строго по порядку. Если вам уже близок базовый уровень, смело перескакивайте к главам про агентов и автоматизации, а потом возвращайтесь к пробелам. Относитесь к структуре как к карте, по которой можно двигаться своими траекториями.

IFDRP, Интеллектуальный формат представления и обработки данных, Хайруллин А., 2025.

   Сегодня мы стоим на пороге новой эпохи. Эпохи, в которой документы перестают быть текстами - и становятся интеллектуальными структурами, готовыми работать, взаимодействовать, анализировать, моделировать и эволюционировать под потребности обработки данных.

Deep Learning Crash Course, Volpe G., Midtvedt B., Pineda J., 2026.

   We believe that the best way to learn deep learning is by coding. For this reason, this book is organized around self-contained examples and projects that progress from simple to complex. As a result, you’ll receive all the benefits of sequential learning while also having the freedom to explore each topic independently.
As you embark on this journey, it’s important to recognize that deep learning frameworks continuously evolve, but their core principles remain consistent. This book primarily uses PyTorch, currently the most popular deep learning framework, along with Lightning and Deeplay for added convenience. However, the fundamental concepts, techniques, and insights you will gain are transferable across various frameworks. In an ever-evolving landscape, they will empower you to choose the best tools for your projects as well as transition between them, easing your learning curve when the next deep learning framework emerges.