Qué entra en la olimpiada.

1. 01

   Habilidades fundamentales y aprendizaje automático clásico

   Python y sus librerías de datos, los modelos clásicos que aprenden de ejemplos y cómo saber si un modelo funciona.

   25 temas

   Fundamentos de programación

   • Fundamentos de Python (bucles, funciones, etc.)
   • NumPy y Pandas para el manejo de datos
   • Matplotlib y Seaborn para visualización
   • Scikit-learn para ML
   • Fundamentos de PyTorch
   • Manipulación de tensores (arrays multidimensionales)
   • Entrenamiento de modelos en CPU y GPU

   Aprendizaje supervisado

   • Regresión lineal
   • Regresión logística
   • Regularización L1 y L2
   • K vecinos más cercanos (K-NN)
   • Árboles de decisión
   • Ensembles de modelos (Gradient Boosting, Bagging, Random Forest)
   • Máquinas de vectores de soporte (SVM)

   Aprendizaje no supervisado

   • Clustering K-Means
   • Análisis de componentes principales (PCA)
   • t-SNE, UMAP
   • DBSCAN, clustering jerárquico y espectral

   Fundamentos de ciencia de datos

   • Métricas de evaluación de modelos (accuracy, precision, recall, F1-score, etc.)
   • Subajuste, sobreajuste (underfitting, overfitting)
   • Ajuste de hiperparámetros
   • Validación cruzada
   • Matriz de confusión y curvas ROC
   • Ingeniería de características (feature engineering) La ingeniería de características consiste en transformar datos en bruto, posiblemente de alta dimensión, datos categóricos, series temporales o datos irregulares (ragged) en un conjunto compacto de características informativas. Sus técnicas incluyen ventanas deslizantes, operaciones de pooling, codificación one-hot, características basadas en momentos estadísticos (media, desviación típica), PCA y embeddings basados en redes neuronales.
   • Procesamiento de datos El procesamiento de datos trata el manejo de datos ausentes e irregulares, también en el modelado de secuencias. Sus técnicas incluyen estrategias básicas de imputación (media/mediana/forward-fill para secuencias) y padding para secuencias de longitud variable. También abarca las técnicas de normalización y estandarización, las estrategias de partición en entrenamiento/validación/prueba (train/validation/test), el aumento de datos básico (volteo, recorte, adición de ruido), la tokenización y la construcción de vocabulario para texto y audio, y la división en parches (patching) de imágenes.

2. 02

   Redes neuronales y aprendizaje profundo

   Cómo aprende una red neuronal, las arquitecturas de la IA actual y cómo entrenarlas bien.

   18 temas

   Redes neuronales

   • Fundamentos del perceptrón
   • Descenso de gradiente
   • Retropropagación (backpropagation)
   • Funciones de activación (ReLU, sigmoide, tanh)
   • Funciones de pérdida (MSE, MAE, entropía cruzada, etc.)

   Aprendizaje profundo

   • Perceptrones multicapa (MLP)
   • Embeddings de datos (texto, imagen, audio)
   • Técnicas de pooling (máximo, media)
   • Mecanismo de atención
   • Transformers (la teoría solo se necesita para texto e imagen)
   • Autoencoders
   • SGD, descenso de gradiente por minilotes (mini-batch)
   • Métodos de momento (Adam, AdamW)
   • Convergencia y tasas de aprendizaje
   • Regularización: dropout, early stopping, weight decay
   • Inicialización de pesos
   • Normalización por lotes (batch normalization)
   • Ajuste fino de modelos (finetuning, completo y eficiente en parámetros)

3. 03

   Visión por computador

   Modelos que ven, desde clasificar imágenes hasta localizar lo que contienen y generar otras nuevas.

   10 temas

   Fundamentos

   • Capas convolucionales
   • Clasificación de imágenes
   • Detección de objetos (YOLO, SSD, DETR)
   • Segmentación de imágenes (U-Net)
   • Codificadores de visión preentrenados (p. ej., ResNet)
   • Aumento de datos de imagen (image augmentation)
   • Generación de imágenes con GAN
   • Aprendizaje autosupervisado para visión
   • Codificadores de visión y texto (p. ej., CLIP)
   • Modelos de difusión

4. 04

   Procesamiento del lenguaje natural y audio

   Texto y sonido con modelos preentrenados, desde clasificar textos hasta los modelos de lenguaje y la voz.

   7 temas

   NLP (procesamiento del lenguaje natural)

   • Clasificación de textos
   • Codificadores de texto preentrenados (p. ej., BERT)
   • Modelado del lenguaje
   • Modelos codificador-decodificador (p. ej., para traducción automática o modelado de visión y lenguaje)
   • Modelos de lenguaje preentrenados (de código abierto y basados en API)

   Procesamiento de audio

   • Codificadores de audio preentrenados: HuBERT
   • Modelos de audio: Qwen-Audio, Whisper, Voxtral

Los datos pueden ser texto, datos tabulares, imagen, audio, vídeo y series temporales, y deben procesarse con los métodos anteriores. Los temas que no aparecen se consideran excluidos del temario. Las dudas se pueden enviar al Comité Científico Internacional a isc@ioai-official.org.