1. Работа с данными и форматами

• pandas — основная работа с табличными данными
• numpy — базовые массивы
• scipy — статистика, расстояния
• pyarrow — чтение/запись parquet
• fastparquet — альтернативный движок parquet
• polars — если кто-то захочет ускориться
• tqdm — прогресс-бары
• openpyxl — если вдруг нужно будет читать/писать xlsx
• python-dotenv — если захотите класть конфиги в .env
• joblib — кэширование и сериализация
• category-encoders — кодирование категориальных признаков
• imbalanced-learn — методы балансировки классов в табличных данных (SMOTE, RandomUnderSampler)

2. Работа с временными рядами и сигналами

• statsmodels — классические статистические модели и анализ временных рядов (ARIMA, SARIMA, ETS);
• tsfresh — автоматическое извлечение признаков из временных рядов;
• prophet — прогнозирование временных рядов;
• sktime — ML-инструменты для анализа временных рядов;
• ruptures — обнаружение точек изменений в последовательностях.

3. Работа с графами и сетями

• networkx — базовые алгоритмы и визуализация графов;
• igraph — быстрые операции над большими графами;
• pyg (или torch-geometric) — библиотека для графовых нейросетей;
• stellargraph — графовые представления и link-prediction.

4. Аудио / видео обработка

• librosa — анализ аудио-сигналов и извлечение признаков;
• pydub — базовые преобразования и конвертация форматов;
• soundfile, audioread — чтение и запись звуковых файлов;
• moviepy — обработка и генерация видео;
• imageio[ffmpeg] — чтение и запись кадров;
• torchaudio — модули для аудио в составе PyTorch.

5. NLP / поиск / RAG-компоненты

• nltk — токенизация, стемминг, работа со стоп-словами;
• spacy (с базовой английской моделью) — парсинг и нормализация текстов;
• sentencepiece, sacremoses — токенайзеры, необходимые для старых моделей;
• rapidfuzz — быстрые символьные сравнения и расчёт схожести строк;
• rank-bm25 — реализация классического алгоритма поиска BM25;
• sentence-transformers — генерация эмбеддингов для поиска и классификации текстов;
• faiss-cpu, faiss-gpu — хранение и поиск по векторам эмбеддингов;
• huggingface-hub — доступ к локально сохранённым моделям и токенайзерам (режим офлайн);

6. Компьютерное зрение / работа с изображениями

• opencv-python — чтение/преобразование изображений
• Pillow (PIL) — базовые операции
• scikit-image — доп. обработка изображений
• albumentations — аугментации
• timm — много готовых визуальных архитектур (если кому-то надо дообучить/доиспользовать)
• torchvision — стандартные датасеты/трансформации
• pyyaml — потому что многие CV-конфиги любят yaml

7. ML / DL стек

• PyTorch: torch (с поддержкой CUDA)
• torchvision
• scikit-learn — классика: масштабирование, метрики, модели, train/test split
• xgboost — на случай, если кто-то захочет табличку решить бустингом
• lightgbm — аналогично
• catboost — иногда проще табличное сделать именно им
• optuna или scikit-optimize — если кто-то захочет автотюнить
• mlflow (опционально) — трекинг экспериментов
• bitsandbytes — необходимая оптимизация
• peft (опционально) — оптимизация для дообучения модели
• xformers (опционально) — оптимизация (ускорение инференса/обучения)
• LightAutoML — автоматизированный ML-фреймворк для табличных данных (автотюнинг, кросс-валидация, интерпретация моделей)

8. Метрики и утилиты для соревнований

• scikit-learn уже включает много метрик (MAE, MSE, cosine_similarity и т.п.)
• torchmetrics — если участники будут считать метрики на GPU
• pytorch-lightning (опционально) — чтобы быстро собрать тренинг-луп
• matplotlib — графики
• seaborn — EDA
• plotly (опционально) — интерактив, но можно не ставить всем
• phik — анализ корреляций (EDA)
• shap — интерпретация моделей, оценка вклада признаков
• captum — интерпретация моделей на PyTorch (атрибуция важности признаков и слоёв нейросетей)

9. Инженерные утилиты

• psutil — мониторинг ресурсов
• uvicorn / fastapi (опционально) — если кто-то хочет локально обернуть модель в сервис
• jinja2 — для генерации html/текстов
• rich — красивый вывод логов
• loguru — удобный логгер
• pytest — чтобы участники могли тесты гонять локально
• ipykernel — ядро Jupyter для работы в VS Code и JupyterLab

10. Системные/внешние зависимости (для образа)

• git – только чтение, без пуша
• ffmpeg – если запись/преобразование видео вдруг понадобится
• libgl1 / libglib2.0-0 – чтобы opencv не ругался на Ubuntu
• unzip, zip, 7zip, tar – распаковка архивов
• wget, curl – загрузка локальных файлов по URL (внутри кластера)
• htop — мониторинг нагрузки
• nano, vim — базовые текстовые редакторы в консоли
• tmux — для устойчивой работы с сессиями в терминале при использовании SSH-доступа
• nvtop — мониторинг GPU
• tree — просмотр структуры каталогов

11. Для командного тура

• sumolib - Вспомогательная библиотека Python для чтения и модификации файлов SUMO (сетей, маршрутов, логов). Обычно устанавливается вместе с SUMO, но лучше явно включить.
• traci - Основной API для взаимодействия с SUMO из Python: управление трафиком, светофорами, сбор статистики.
• eclipse-sumo - Обёртка для установки SUMO через pip, включает бинарные утилиты и TraCI. Если устанавливается из архива — указать локальный путь в образе.
• xmltodict - Преобразование XML ↔ dict (SUMO использует XML для маршрутов, сетей и сигналов).
• plotly (опционально) - Для визуализации траекторий и временных рядов при защите проекта.
• subprocess (встроенный модуль) - Не требует установки, нужен для запуска SUMO через скрипты.

12. Работа с Retrieval-Augmented Generation (RAG) и локальными моделями

• vLLM — GPU-оптимизированный сервер инференса (совместимая версия с CUDA A100);
• SGLang
• llama.cpp — CPU/GPU-fallback для запуска квантованных моделей.
• transformers — базовая библиотека для инференса моделей;
• accelerate — оптимизация вычислений на CPU и GPU;
• datasets — работа с датасетами HF;
• bitsandbytes — 4/8-битная квантизация весов;
• peft — адаптеры LoRA и QLoRA для тонкой настройки моделей;
• triton — ускоренные CUDA-ядра для квантованных моделей;
• trl — инструменты HF для дообучения и RLHF.
• langchain, langchain-core, langchain-community, langchain-text-splitters, langchain-qdrant, chromadb — построение RAG-цепочек и локальных векторных баз.

13. Что запрещено к установке
Не допускается установка или использование пакетов, обращающихся к внешним генеративным сервисам или облачным вычислительным платформам, в том числе:

• openai, google-generativeai, anthropic, groq, mistralai и другие аналогичные клиенты публичных API;
• клиенты облачных сред (colab, runpod, replicate, vercel, paperspace и т.п.);
• любые пакеты или скрипты, создающие исходящие сетевые соединения для инференса или загрузки моделей.