Пакет программного обеспечения для обучения языкам программирования и основ алгоритмизации: программное обеспечение “ТрекиКод”

Соответствует Приказу №838 Министерства просвещения РФ от 28.11.2024 (п. 2.18.6)
Входит в перечень технических средств (основного оборудования) для кабинета информатики
Включено в «Реестр российского ПО» Министерства цифрового развития, связи и массовых коммуникаций РФ (Реестровая запись №31062 от 10.12.2025)

Что такое «Роботрек Информатика»?

В составе пакета программного обеспечения используется среда «ТрекиКод». В ней выделено отдельное направление «Информатика», где учитель получает готовую последовательность занятий, теорию, презентационные материалы, практические задания, интерактивные упражнения, тесты и возможность работать с учебными исполнителями.

 «Роботрек Информатика» —  это комплекс готовых занятий по информатике на базе программной среды «ТрекиКод». Он включает изучение алгоритмов и программирования, работу с учебными исполнителями, практические задания, тесты и инструменты для организации работы в 7–11 классах. Он предназначен для использования на уроках, во внеурочной деятельности и в дополнительном образовании.

Для каких классов предназначен комплекс

Учебная линия рассчитана на 7–11 классы и выстраивается с учётом постепенного усложнения содержания школьного курса информатики.

Класс	Основное направление
7 класс	Цифровые технологии и программирование
8 класс	Логика, алгоритмы и Python
9 класс	Алгоритмы, Python и управление
10 класс	Алгебра логики
11 класс	Алгоритмы и элементы программирования

Планируется разработка занятий в рамках преемственности образования, как пропедевтический курс информатики для 5-6 классов.

Связь со школьным курсом информатики

Учебные материалы выстраиваются в соответствии с учебником информатики Л. Л. Босовой и А. Ю. Босова. При подготовке занятий учитывается последовательность изучения тем, чтобы в заданиях не требовались конструкции и понятия, которые учащиеся ещё не проходили.

Например, при изучении последовательности действий используются только уже знакомые команды; ветвления и циклы вводятся позже, то есть после изучения соответствующего теоретического материала. Теоретический материал напрямую связан с практикой, то есть  изучаемая тема закрепляется в «ТрекиКод» через практические задания и упражнения.

Основные направления обучения

Обучение включает несколько взаимосвязанных направлений, которые последовательно формируют знания и практические навыки по информатике.

Алгоритмы и исполнители

• понятие алгоритма и свойства алгоритмов;
• исполнитель, среда и система команд;
• формальное выполнение команд;
• составление последовательностей действий;
• анализ результата выполнения алгоритма;
• поиск и исправление ошибок.

Способы записи алгоритмов

Учащиеся знакомятся со словесным описанием, построчной записью, блок-схемами, Школьным алгоритмическим языком и программированием. Важная часть курса — понимание того, что один и тот же алгоритм может быть представлен разными способами.

Данные, величины и выражения

• константы и переменные;
• числовые, строковые и логические данные;
• выражения и вычисление их значений;
• команда присваивания;
• ввод и вывод данных;
• табличные величины.

Алгоритмические конструкции

• следование и линейные алгоритмы;
• полное и неполное ветвление;
• комбинации нескольких ветвлений;
• циклы с условием продолжения;
• циклы с условием окончания;
• циклы с заданным числом повторений;
• циклы с переменной;
• вложенные циклы.

Нейронные сети

Учащиеся знакомятся с практическим использованием готовых нейронных сетей. Результаты распознавания используются в программе для управления учебными исполнителями.

• получение результата работы готовой нейросети;
• использование результата распознавания в алгоритме;
• управление исполнителями «Черепашка» и «Робот» с помощью нейросети;
• применение готовых моделей в практических проектах.

Учебные исполнители

Для практических работ с алгоритмами и программированием используются учебные исполнители «Черепашка» и «Робот». С их помощью учащиеся составляют программы, выполняют команды и проверяют результат их работы.

Исполнитель «Черепашка»

Исполнитель «Черепашка» перемещается по экрану и позволяет строить линии и геометрические фигуры. На её примере удобно изучать последовательность команд, координаты, повороты, циклы и другие конструкции.

• движение и повороты;
• построение рисунков и геометрических фигур;
• работа с координатами;
• использование повторений;
• переход от простого алгоритма к программе.

Исполнитель «Робот»

Исполнитель «Робот» действует на клетчатом поле. Это именно учебный исполнитель внутри программной среды, а не физическая модель робота. Учащийся составляет алгоритм движения и взаимодействия со средой, запускает программу и проверяет результат. Помимо обычного программного управления, действия исполнителей могут быть связаны с результатами работы готовых нейронных сетей.

• команды движения по клеткам;
• маршруты и достижение заданной цели;
• стены и препятствия;
• поиск и исправление ошибок;
• условия, ветвления и циклы по мере изучения соответствующих тем;
• работа с объектами среды в заданиях.

Программирование: от блоков к Python

Одна из особенностей курса — это постепенный переход между способами записи программы. Для исполнителей учащиеся могут составлять программы тремя способами.

Сначала визуальные блоки помогают сосредоточиться на логике алгоритма. Затем учащийся переходит к Школьному алгоритмическому языку, где структура программы уже записывается текстом, а далее переходит к Python.

• команды и последовательности действий;
• величины, выражения и присваивание;
• ввод и вывод данных;
• условный оператор;
• циклы разных видов;
• вложенные циклы;
• графические построения и практические программы.

Как устроено занятие (структура)

Занятие в «ТрекиКод Информатика» разработано как последовательная траектория обучения. В зависимости от темы в него входят:

• теория;
• презентационные материалы;
• интерактивные упражнения;
• тестирование;
• практическая работа с исполнителем «Черепашка»;
• практическая работа с исполнителем «Робот»;
• составление программы из блоков;
• запись алгоритма на Школьном алгоритмическом языке;
• программирование на Python.

Учебный материал разработан по принципу последовательного освоения содержания, изучение теории сопровождается интерактивными заданиями и практической работой, далее проводится проверка и оценка результатов обучения.

Практические задания

Практика строится вокруг решения конкретных учебных задач. Учащийся анализирует условие, составляет алгоритм, выбирает способ его записи, запускает программу, проверяет результат и при необходимости находит и исправляет ошибки. Постепенно задания усложняются. Сложность заданий увеличивается по мере прохождения курса. Учитель может открывать только те команды и конструкции, которые соответствуют уже изученному материалу.

Функционал для учителя

В «ТрекиКод Информатика» все материалы для проведения урока собраны в одной среде. Педагогу доступны готовые презентации и планы-конспекты, а учащиеся выполняют практические задания и программируют здесь же, без необходимости переходить в другие программы и открывать дополнительные окна.

Основные разделы интерфейса учителя: «Занятия», «Класс», «Ученики», «Статистика», «Конструктор».

Возможности функционала разделов учителя:

• выбор текущего класса и занятия;
• подключение учеников по локальной сети;
• открытие занятия всему классу;
• отдельное открытие и закрытие теории и заданий;
• выбор разрешённого языка для практической работы;
• просмотр рабочего места отдельного ученика;
• контроль выполнения заданий и прогресса;
• просмотр результатов тестирования;
• управление ходом занятия.

Работа по локальной сети

Ученические рабочие места подключаются к учителю по локальной сети. Это позволяет организовать работу класса внутри школьной сети и централизованно управлять учебным процессом.

Чему научится школьник

• раскрывать смысл понятий «исполнитель», «алгоритм», «программа»;
• описывать алгоритм решения задачи различными способами, в том числе с помощью блок-схем;
• составлять алгоритмы для управления учебными исполнителями «Робот» и «Черепашка»;
• использовать алгоритмические конструкции: следование, ветвление и цикл;
• анализировать предложенные алгоритмы и определять результаты их выполнения при заданных исходных данных;
• разбивать задачу на подзадачи и составлять алгоритмы с использованием ветвлений, циклов и вспомогательных алгоритмов;
• использовать константы, переменные, выражения и оператор присваивания;
• использовать при разработке программ числовые, логические и символьные данные;
• создавать и отлаживать программы, реализующие несложные алгоритмы обработки данных;
• программировать на Python и использовать Школьный алгоритмический язык для записи и разработки алгоритмов;
• находить и исправлять синтаксические и логические ошибки в программе;
• составлять и отлаживать программы для обработки числовых последовательностей и одномерных массивов;
• читать и понимать программы, содержащие ветвления, циклы и подпрограммы;
• модифицировать готовые программы для решения новых задач.

Обновление «ТрекиКод Информатика»

Большое обновление ПО «ТрекиКод» с отдельным направлением «Информатика» будет доступно с 1 января. В обновление входят:

• готовые занятия для школьного курса информатики 7–11 классов;
• теория и презентационные материалы;
• интерактивные задания и тестирование;
• исполнители «Черепашка» и «Робот»;
• блочное программирование;
• Школьный алгоритмический язык;
• Python;
• работа учителя с классом;
• подключение учеников по локальной сети;
• контроль прогресса и результатов;
• конструктор собственных занятий.

Дополнительные возможности ПО ТрекиКод

Конструктор собственных занятий

Помимо готовых материалов педагог может создавать собственные занятия. Занятие собирается из отдельных шагов, а их последовательность определяет сам учитель. Можно разработать уроки, в которых будут:

• теоретический блок;
• презентация;
• интерактивное задание;
• тест;
• задание для исполнителя «Робот»;
• задание для исполнителя «Черепашка».

Для практических заданий можно задавать условия выполнения, подсказки и ограничения. Учитель может подготовить как короткую самостоятельную работу, так и занятие с объяснением нового материала, практикой и контролем.

Программирование контроллеров

Отдельное направление практики связано с программированием физических контроллеров и роботов. Для этого предусмотрены три варианта наборов по образовательной робототехники.

Комплект	Контроллер / способ программирования	Назначение
«Роботрек Информатика»	Трекдуино, блочное программирование	Переход от алгоритмов и виртуальных исполнителей к управлению реальным устройством.
«Роботрек Информатика», «Контроллер Трекдуино ПРО»	Трекдуино ПРО, Python	Практическое программирование контроллера на Python и управление подключёнными компонентами.
«Роботрек Малыш 2»	Трекдуино, блочное программирование	Переход от алгоритмов и виртуальных исполнителей к управлению реальным устройством

Искусственный интеллект и готовые нейронные сети

В «ТрекиКод» есть возможность работать с готовыми нейросетями и использовать результаты их распознавания в своих программах и проектах. Результат работы нейросети может запускать действие виртуального исполнителя или использоваться как условие в алгоритме.

Что ещё можно сделать:

• получать результат работы готовой модели;
• использовать результат распознавания в программе;
• связывать результат нейросети с действием виртуального исполнителя;
• применять готовую модель в практическом проекте.

Как выглядит ТрекиКод

Пакет программного обеспечения для обучения языкам программирования и основ алгоритмизации: среда визуального моделирования архитектуры нейронной сети, её обучения, тестирования и экспорта «NNTrack»

Соответствует Приказу №838 Министерства просвещения РФ от 28.11.2024 (п. 2.18.6)
Входит в перечень технических средств (основного оборудования) для кабинета информатики
Включено в «Реестр российского ПО» Министерства цифрового развития, связи и массовых коммуникаций РФ  (Реестровая запись №13372от 26.04.2022)

Возможности NNTrack

NNTrack — среда визуального моделирования, обучения, тестирования и экспорта моделей машинного обучения. Программа позволяет работать с изображениями, табличными данными и звуком.

В NNTrack учащиеся могут:

• создавать собственную архитектуру нейронной сети из визуальных блоков;
• использовать готовые архитектуры;
• изменять гиперпараметры слоёв;
• создавать свёрточные и рекуррентные модели;
• использовать ветвление в архитектуре нейросети;
• работать с предварительно обученными моделями;
• настраивать параметры обучения;
• использовать аугментацию и способы предотвращения переобучения;
• наблюдать графики обучения и значения метрик;
• тестировать обученные модели;
• сравнивать несколько проектов и вариантов моделей;
• визуализировать работу отдельных элементов сети;
• использовать Grad-CAM для анализа областей изображения, влияющих на решение модели;
• работать с задачами классификации, детектирования, анализа табличных данных и распознавания звука;
• экспортировать обученные модели для дальнейшего использования;
• экспортировать архитектуру и параметры обучения в текстовый файл для дальнейшей работы в других программах.

Методическое обеспечение

Курс «Основы искусственного интеллекта» для 10–11 классов. Углублённый уровень

Курс предназначен для учащихся 10–11 классов, изучающих предмет «Информатика» на углублённом уровне, направлен на практическое освоение технологий искусственного интеллекта, машинного обучения и разработке нейронных сетей.

Обучение проводится в среде визуального моделирования NNTrack, в которой учащиеся могут создавать архитектуры нейронных сетей, настраивать их обучение, проводить эксперименты, тестировать полученные модели, анализировать результаты и экспортировать обученные нейронные сети для дальнейшего использования. Работа с архитектурой выполняется с помощью блоков.

Учебно-методический курс включает 34 занятия, из которых 26 уже готовы, а 8 находятся в разработке. Курс может использоваться на уроках информатики, во внеурочной деятельности и при организации проектной работы учащихся. Курс разработан в соответствии с обновленным ФГОС по информатике для 10-11 классов с углублённым изучением предмета, реализующимся с 1 сентября 2027. В ходе курса обучающиеся последовательно знакомятся с основными задачами машинного обучения:

• классификацией;
• детектированием объектов;
• кластеризацией;
• регрессией;
• анализом больших данных;
• трансферным обучением.

Особое внимание уделяется практической работе: учащиеся самостоятельно создают модели, изменяют архитектуру и гиперпараметры, обучают нейронные сети на наборах данных, сравнивают результаты экспериментов и определяют, какие настройки лучше подходят для конкретной задачи.

Место в учебном плане: модуль является частью углублённого курса информатики для 10–11 классов. Также он может изучаться как самостоятельный курс, факультатив или включаться во внеурочную деятельность.

Искусственный интеллект и машинное обучение в 10–11 классах

Краткое описание курса «Основы искусственного интеллекта и нейронных сетей»

В начале курса учащиеся знакомятся с понятиями искусственного интеллекта, машинного обучения и нейронной сети, рассматривают основные задачи, которые могут решаться с помощью интеллектуальных систем. Практика включает работу в NNTrack: создание проекта, построение архитектуры нейросети, настройку её блоков и изучение основных этапов разработки модели:

данные → архитектура модели → настройка обучения → обучение → тестирование → анализ результата

Изучение классификации

Классификация изучается как задача определения принадлежности объекта к одному из заранее известных классов. На занятиях учащиеся подробно рассматривают устройство свёрточных нейронных сетей и изучают:

• свёрточные слои;
• пулинг;
• функции активации;
• полносвязные слои;
• нормализацию;
• регуляризацию;
• преобразование формы данных;
• выходные слои классификатора.

Обучение нейронной сети

Отдельный блок курса посвящён настройке процесса обучения. Учащиеся работают с такими параметрами, как:

• количество эпох;
• размер партии данных;
• функции потерь;
• функции метрики;
• оптимизатор;
• валидация;
• аугментация данных;
• предотвращение переобучения.

В процессе практических работ обучающиеся проводят несколько экспериментов с одной и той же моделью, изменяют параметры обучения, сравнивают полученные показатели и фиксируют результаты, учащийся учится понимать, почему при разных настройках одна и та же нейронная сеть может показывать разные результаты.

Тестирование и анализ модели

После обучения модели учащиеся проверяют её работу на новых данных. NNTrack позволяет проводить тестирование модели и анализировать качество её предсказаний. В зависимости от типа проекта могут использоваться изображения, видеопоток, видеозаписи, табличные данные и звук.

В ходе курса учащиеся знакомятся с матрицей ошибок и основными показателями качества модели, сравнивают результаты обучения и определяют, требуется ли изменение архитектуры, параметров или исходных данных.

[vc_empty_space] Исследование архитектуры нейронной сети, эксперимент

По мере освоения курса учащиеся переходят от простых моделей к более сложным архитектурам. Изучаются дополнительные слои и механизмы нейронных сетей:

• BatchNormalization и LayerNormalization;
• Dropout и другие способы регуляризации;
• различные функции активации;
• дополнительные способы пулинга;
• Depthwise- и Separable-свёртки;
• ветвление архитектуры;
• объединение потоков данных.

NNTrack позволяет визуально строить не только последовательные модели, но и архитектуры с ветвлениями и объединением данных с помощью блоков Fork, Add, Concatenate и Multiply.  Учащиеся экспериментально сравнивают разные варианты архитектуры и определяют, какие решения позволяют улучшить результат.

Рекуррентные нейронные сети

В курсе рассматриваются также нейронные сети, предназначенные для работы с последовательностями данных. Учащиеся знакомятся с рекуррентными слоями:

• SimpleRNN;
• LSTM;
• GRU.

На практических занятиях создаются гибридные архитектуры, объединяющие свёрточную и рекуррентную части нейронной сети. Учащиеся сравнивают несколько вариантов моделей и анализируют, как изменение типа рекуррентного слоя влияет на результат обучения. Возможность использования SimpleRNN, LSTM и GRU предусмотрена непосредственно в NNTrack.

Трансферное обучение

Учащиеся знакомятся с подходом, при котором для новой задачи используется уже предварительно обученная нейронная сеть. В NNTrack доступны готовые архитектуры, в том числе семейства VGG, ResNet и MobileNet. Для подходящих моделей можно использовать предварительно обученные веса и настраивать заморозку частей архитектуры.

В практической части учащиеся осваивают два основных подхода: использование готовой модели для извлечения признаков и/или тонкую настройку модели под новый набор данных.

Обучающиеся создают несколько моделей, обучают их на одинаковых данных и сравнивают эффективность разных архитектур и способов трансферного обучения.

Детектирование объектов

Детектирование рассматривается как задача, в которой нейронной сети необходимо не только определить класс объекта, но и найти его положение на изображении. Учащиеся знакомятся с принципами работы моделей семейства YOLO и учатся создавать проекты детектирования в NNTrack.

Среда позволяет использовать готовые архитектуры YOLO разных размеров, настраивать обучение, работать с размеченным набором данных и анализировать результаты по значениям потерь и метрик.  На практике учащиеся обучают несколько вариантов модели и сравнивают их результаты.

Кластеризация

Кластеризация изучается как задача машинного обучения, при которой заранее неизвестно, к каким группам относятся объекты. Учащиеся анализируют признаки объектов и наблюдают, как алгоритм объединяет похожие объекты в группы. Учащиеся сравнивают кластеризацию с классификацией и учатся определять, в каких задачах заранее известны классы, а в каких структуру данных необходимо обнаружить в процессе анализа.

Логика практикума: исходные данные → признаки → поиск сходства → формирование групп → интерпретация результата

Большие данные и регрессия

Отдельный раздел курса посвящён работе с табличными данными. В NNTrack проект типа «Большие данные» позволяет решать задачи классификации и регрессии по наборам числовых признаков.  Учащиеся знакомятся со структурой наборов данных, определяют признаки и целевое значение, анализируют качество исходной информации и выбирают подходящий тип задачи. При изучении регрессии результатом работы модели является числовое значение.

В ходе занятий обучающиеся формируют навыки анализа данных:

подготовка данных → выбор признаков → выбор модели → обучение → тестирование → анализ и интерпретация результата

Чему научится учащийся

Работая с курсом и NNTrack, учащийся постепенно учится:

• понимать основные принципы искусственного интеллекта и машинного обучения;
• различать задачи классификации, кластеризации, регрессии и детектирования;
• анализировать исходные данные и их признаки;
• выбирать тип модели в зависимости от поставленной задачи;
• самостоятельно проектировать архитектуру нейронной сети;
• использовать свёрточные, полносвязные и рекуррентные слои;
• настраивать гиперпараметры модели;
• задавать параметры обучения нейронной сети;
• обучать и тестировать собственные модели;
• анализировать графики, функции потерь и метрики;
• выявлять признаки переобучения и недообучения;
• сравнивать несколько вариантов архитектуры;
• применять трансферное обучение;
• использовать готовые архитектуры нейронных сетей;
• интерпретировать результаты работы модели;
• проводить эксперимент и обосновывать выбор наиболее эффективного решения;
• разрабатывать собственный проект с применением технологий искусственного интеллекта.

Как выглядит NNTrack