Anexa 1. la Regulamentul specific privind organizarea și desfășurarea Olimpiadei Naționale de Inteligență Artificială începând cu anul școlar 2025-2026

Programa pentru Olimpiada Națională de Inteligență Artificială

(etapa județeană, etapa națională, baraje de selecție a lotului național)

LICEU

Clasele IX–XII

1. Fundamente de programare

1.1. Bazele limbajului Python

• tipuri de date, variabile
• structuri de control: if, for, while
• funcții
• liste, tupluri, dicționare, comprehensions
• clase
• citire, prelucrare și afișare:
  • fișiere text
  • fișiere CSV
  • imagini

1.2. Bibliotecile NumPy și Pandas

• manipularea datelor
• crearea și modificarea tabelelor
• operații vectoriale
• agregări, filtrări
• curățarea și transformarea datelor

1.3. Vizualizarea datelor cu Matplotlib și Seaborn

• grafice liniare
• grafice cu bare
• histograme
• scatter plots
• box plots
• heatmap-uri
• interpretarea vizualizărilor

1.4. Introducere în scikit-learn

• structură
• împărțirea în seturi de antrenare și testare
• normalizarea și codificarea datelor
• antrenarea și evaluarea modelelor

2. Învățare supervizată

2.1. Regresia liniară

• modelul de bază
• funcția de cost
• interpretarea coeficienților
• utilizarea implementării din scikit-learn

2.2. Regresia logistică

• clasificare binară
• funcția sigmoid
• interpretarea rezultatelor
• utilizarea implementării din scikit-learn

2.3. Regularizarea L1 și L2

• reducerea supraînvățării (overfitting)
• comparația Lasso vs. Ridge Regression
• aplicare în scikit-learn

2.4. Algoritmul K-Nearest Neighbors (K-NN)

• principiul celor mai apropiați vecini
• alegerea parametrului k
• alegerea metricii de distanță
• utilizarea scikit-learn

2.5. Arborii de decizie

• construirea arborilor
• criterii de separare (Gini, entropia informațională)
• controlul adâncimii
• pruning
• interpretare
• utilizarea scikit-learn

2.6. Modele ansamblu

• combinarea modelelor
• Gradient Boosting
• Bagging
• Random Forest
• avantaje și limitări
• implementări în scikit-learn

2.7. Mașini cu vectori suport (SVM)

• separatoare liniare
• parametrii C și γ
• clasificare
• implementare în scikit-learn

3. Învățare nesupervizată

3.1. Algoritmul K-Means

• inițializarea centroizilor
• procesul iterativ
• criterii de convergență
• interpretarea clusterelor
• utilizarea scikit-learn

3.2. PCA – Analiza componentelor principale

• reducerea dimensionalității
• proiecția în spații reduse
• implementarea scikit-learn

3.3. Vizualizare avansată: t-SNE și UMAP

• reprezentări bidimensionale
• analizarea relațiilor dintre grupuri
• utilizarea scikit-learn

4. Fundamente de Data Science

4.1. Metrici de evaluare

• clasificare: acuratețe, precizie, recall, F1, AUC, curbe ROC
• regresie: MSE, MAE, RMSE, R²
• alegerea metricii adecvate
• implementări în scikit-learn

4.2. Underfitting și overfitting

• bias și varianță
• impact asupra performanței
• diagnosticare cu scikit-learn

4.3. Optimizarea hiperparametrilor

• Grid Search
• Random Search
• cross-validation
• implementări în scikit-learn

4.4. Matricea de confuzie și curbele ROC

• construcție
• interpretare
• utilizare pentru clasificare
• implementări în scikit-learn

4.5. Feature Engineering

• transformarea datelor brute în caracteristici informative
• tehnici:
  • ferestre glisante
  • pooling
  • one-hot encoding
  • momente statistice (media, deviația standard etc.)
  • PCA
• implementări în scikit-learn și alte biblioteci

4.6. Procesarea datelor

• gestionarea datelor lipsă și neregulate
• imputare: medie, mediană, completare anterioară
• padding pentru secvențe de lungimi variabile
• normalizare, standardizare
• împărțirea în antrenare/validare/test
• analiza corelației: Gini, Pearson, Kendall, Spearman, Chi-Square

5. Prelucrarea limbajului natural (NLP)

5.1. Clasificarea textului

• procesare de text
• clasificarea documentelor/propozițiilor
• extragerea caracteristicilor: Bag-of-Words, TF-IDF
• antrenare și evaluare modele

Doar pentru etapa națională

1. Fundamente de programare – completare

1.5. Introducere în PyTorch

• tensori
• operații de bază
• conversia între NumPy și PyTorch

1.6. Manipularea tensorilor

• indexare
• redimensionare
• operații matematice

3. Învățare nesupervizată – completare

3.4. Algoritmi de clustering avansați

• DBSCAN
• clustering ierarhic
• clustering spectral
• identificarea grupurilor cu forme neregulate
• implementări scikit-learn

6. Rețele neurale

6.1. Perceptron

• noțiuni de bază
• modelul matematic
• funcția de activare
• clasificarea datelor simple

6.2. Multi-Layer Perceptrons (MLP)

• rețele cu mai multe straturi

6.3. Gradient Descent

• actualizarea parametrilor
• implementare
• vizualizarea optimizării

6.4. Optimizarea

• algoritmi de optimizare

6.5. Funcții de activare

• ReLU
• Sigmoid
• Tanh

6.6. Funcții de pierdere

• MSE, MAE, Cross Entropy
• utilizare în antrenarea rețelelor

6.7. Regularizare

• Dropout
• Early Stopping
• Weight Decay
• inițializarea ponderilor
• Batch Normalization

6.8. Finetuning

• ajustarea modelelor pre-antrenate
• complet și parametric
• adaptare la sarcini specifice

7. Computer Vision

7.1. Fundamente

• straturi convoluționale
• kerneluri
• receptive fields
• pooling
• padding
• stride
• aplicații practice

7.2. Clasificarea imaginilor

• antrenarea CNN
• evaluarea modelelor
• recunoașterea obiectelor

7.3. Preprocesarea imaginilor

• reducerea dimensionalității
• reducerea canalelor
• diminuarea rezoluției
• detectarea contururilor
• segmentare

7.4. Augmentarea imaginilor

• tehnici de bază și avansate:
  • rotire
  • flip
  • crop
  • adăugare/eliminare zgomot
  • eliminarea fundalului

Note

• Barajele de selecție a lotului național vor include programele pentru clasele IX–XII.
• Pentru barajele de selecție a echipelor reprezentative ale României vor fi abordate teme suplimentare.
• Platforma folosită pentru selecția echipelor reprezentative ale României este https://platform.olimpiada-ai.ro

Îndrumare pentru pregătire

• Platforma de evaluare va fi disponibilă pe parcursul anului pentru familiarizarea cu formatul concursului la adresa https://platform.olimpiada-ai.ro.
• Recomandăm concurenților să își creeze cont și să rezolve problemele disponibile până la data olimpiadei.
• Materiale de pregătire pentru toate etapele vor fi disponibile pe olimpiada-ai.ro, secțiunea „Resurse”.