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”.