Olimpiada Sztucznej InteligencjiSyllabus Olimpiady Sztucznej Inteligencji
Dokument przedstawia zbiór tematów, których znajomość i umiejętność zakłada się u uczestników IV Olimpiady Sztucznej Inteligencji.
Ponadto przewidywana jest znajomość matematyki w zakresie rozszerzonym określonym w rozporządzeniu Ministra Edukacji Narodowej z dnia 30 stycznia 2018 r. w sprawie podstawy programowej kształcenia ogólnego dla liceum ogólnokształcącego, technikum oraz branżowej szkoły II stopnia, w szczególności wektorów i pochodnych, uzupełnionej o macierze, wartości i wektory własne oraz zmienną losową i jej rozkład.
Podczas pierwszego etapu zawodów uczestnicy rozwiązują zadania w wybranym przez siebie miejscu i czasie. Drugi i trzeci etap zawodów odbywają się w warunkach kontrolowanej samodzielności, w miejscu wskazanym przez Organizatorów. Ze względu na zdalny charakter pierwszego etapu, zadania mogą wymagać odszukania potrzebnych wiadomości uzupełniających w powszechnie dostępnych dla uczniów źródłach.
1. PROGRAMOWANIE I ŚRODOWISKO PRACY
| Obszar | Zagadnienie |
|---|---|
| Podstawy programowania | Programowanie w języku Python |
| Praca w środowisku typu Jupyter Notebook | |
| Korzystanie z dokumentacji bibliotek i narzędzi | |
| Obliczenia | Obliczenia na CPU i GPU |
| Operacje na tensorach |
2. PRZYGOTOWANIE I EKSPLORACYJNA ANALIZA DANYCH
| Obszar | Zagadnienie |
|---|---|
| Dane wejściowe | Typy danych (liczbowe, kategoryczne, tekstowe, audio, obrazowe, wideo, sekwencyjne) |
| Czyszczenie danych (np. błędy, duplikaty, wartości odstające, braki) | |
| Niezbalansowane zbiory danych | |
| Przetwarzanie danych * | |
| Cechy | Inżynieria i selekcja cech ** |
| Wyciek danych (Data Leakage) | |
| Analiza statystyczna | Statystyki opisowe (np. średnia, mediana, wariancja, odchylenie standardowe, kwartyle) |
| Grupowanie i agregacja danych | |
| Analiza rozkładów i zależności zmiennych (korelacja, macierze korelacji) | |
| Wizualizacja i wnioskowanie | Wykresy rozkładów i zależności (np. histogramy, wykresy pudełkowe, punktowe, liniowe, mapy cieplne) |
| Wizualizacja danych wielowymiarowych z wykorzystaniem redukcji wymiarowości | |
| Formułowanie i weryfikowanie wniosków na podstawie danych |
* Zakres obejmuje m.in. obsługę danych brakujących i sekwencji o różnej długości (uzupełnianie braków, padding, maskowanie), normalizację i standaryzację, podział na zbiór treningowy, walidacyjny i testowy, augmentację danych oraz przygotowanie danych tekstowych, audio i obrazowych do modelu (tokenizacja, skalowanie i zmiana rozmiaru obrazów, patching).
** Zakres obejmuje m.in. przekształcanie danych surowych w zwięzły zestaw informatywnych cech: kodowanie kategorii (etykiety, one-hot), cechy oparte na momentach statystycznych, okna przesuwne, operacje poolingu, redukcję wymiaru oraz osadzenia wyznaczane przez sieci neuronowe.
3. KLASYCZNE UCZENIE MASZYNOWE
| Obszar | Zagadnienie |
|---|---|
| Zadania | Klasyfikacja (binarna, wieloklasowa, wieloetykietowa) |
| Regresja | |
| Analiza skupień (klasteryzacja) | |
| Redukcja wymiarowości (PCA, t-SNE, UMAP) | |
| Wykrywanie anomalii * | |
| Modele | Modele liniowe i probabilistyczne (regresja liniowa, wielomianowa, logistyczna, Naive Bayes) |
| Regularyzacja modeli liniowych (Ridge, Lasso) | |
| Modele oparte na odległości (k-NN) | |
| Maszyny wektorów nośnych (SVM, SVR) ** | |
| Modele drzewiaste (drzewa decyzyjne i regresyjne) | |
| Modele zespołowe (Random Forest, AdaBoost, Gradient Boosting, XGBoost) *** | |
| Algorytmy klasteryzacji (K-Means, K-Means++, DBSCAN, klasteryzacja hierarchiczna i spektralna, GMM) | |
| Paradygmaty uczenia | Uczenie nadzorowane, nienadzorowane i półnadzorowane |
* Zakres obejmuje identyfikowanie obserwacji nietypowych metodami statystycznymi, odległościowymi i opartymi na gęstości, a także z wykorzystaniem metod klasteryzacji.
** Zakres obejmuje hiperpłaszczyznę decyzyjną, maksymalizację marginesu, funkcję jądra (kernel trick), soft margin i parametr C.
*** Zakres obejmuje bagging, boosting i voting.
4. OCENA I WALIDACJA MODELI
| Obszar | Zagadnienie |
|---|---|
| Dopasowanie i walidacja | Nadmierne i niedostateczne dopasowanie (overfitting, underfitting) |
| Zależność pomiędzy błędem treningowym, walidacyjnym i testowym | |
| Walidacja krzyżowa (cross-validation) | |
| Dobór modelu i porównywanie modeli | |
| Strojenie hiperparametrów (np. Grid Search, Random Search) | |
| Metryki | Metryki klasyfikacji (np. accuracy, precision, recall, specificity, F1, metryki wieloklasowe) |
| Macierz pomyłek, krzywa ROC i pole pod krzywą (AUC) | |
| Metryki regresji (np. MAE, MSE, RMSE, R², MAPE) | |
| Metryki klasteryzacji (np. Silhouette Score, Calińskiego-Harabasza, spójność i separacja klastrów) | |
| Metryki zadań wizyjnych (np. IoU, mAP) |
5. SIECI NEURONOWE I UCZENIE GŁĘBOKIE
| Obszar | Zagadnienie |
|---|---|
| Podstawy | Wielowarstwowy perceptron (MLP) |
| Propagacja wsteczna, obliczanie gradientów | |
| Funkcje aktywacji (np. sigmoid, tanh, ReLU, softmax) | |
| Funkcje kosztu (np. błąd średniokwadratowy, entropia krzyżowa) | |
| Trenowanie | Algorytmy optymalizacji (np. SGD, Adam, RMSProp) |
| Współczynnik uczenia i jego harmonogramy, epoki i rozmiar partii (batch) | |
| Regularyzacja i stabilizacja treningu * | |
| Transfer learning i wykorzystanie modeli pretrenowanych | |
| Dostrajanie modeli (fine-tuning, PEFT: LoRA, adapter tuning) | |
| Architektury | Sieci konwolucyjne (CNN) |
| Sieci rekurencyjne (RNN, LSTM, GRU) | |
| Mechanizm uwagi i architektura Transformer | |
| Modele generatywne | Autoenkodery (AE, VAE) |
| Generatywne sieci przeciwstawne (GAN) | |
| Modele dyfuzyjne |
* Zakres obejmuje dropout, wczesne zatrzymanie, normalizację wsadową i inicjalizację wag.
6. WIZJA KOMPUTEROWA
| Obszar | Zagadnienie |
|---|---|
| Przetwarzanie obrazów | Reprezentacja obrazu cyfrowego i przestrzenie barw |
| Operacje na obrazie (np. filtrowanie, rozmywanie, wyostrzanie, wykrywanie krawędzi, progowanie) | |
| Cechy obrazu (np. histogramy, HOG) | |
| Zadania | Klasyfikacja obrazów |
| Detekcja i lokalizacja obiektów | |
| Segmentacja obrazu (semantyczna, instancji) | |
| Rozpoznawanie i ekstrakcja cech z obrazu | |
| Modele | Modele do klasyfikacji obrazów (np. AlexNet, VGG, ResNet, Inception, EfficientNet) |
| Modele do detekcji obiektów (np. YOLO) | |
| Modele do segmentacji obrazu (np. U-Net) | |
| Transformer wizyjny (ViT) | |
| Uczenie samonadzorowane w wizji komputerowej (np. RotNet, SimCLR, BYOL, DINO) |
7. PRZETWARZANIE JĘZYKA NATURALNEGO
| Obszar | Zagadnienie |
|---|---|
| Przetwarzanie tekstu | Reprezentacje (np. Bag of Words, TF-IDF, n-gramy, Word2Vec) |
| Normalizacja tekstu (np. stemming, lematyzacja) | |
| Zadania | Klasyfikacja tekstu |
| Analiza wydźwięku | |
| Tłumaczenie maszynowe | |
| Modele | Modele sekwencyjne (np. Seq2Seq, RNN, transformer) |
| Wstępnie wytrenowane modele językowe (np. BERT, T5, GPT, LLaMA) | |
| Duże modele językowe (np. few-shot learning, inżynieria promptów, dostrajanie) |
8. PRZETWARZANIE DŹWIĘKU
| Obszar | Zagadnienie |
|---|---|
| Reprezentacja | Reprezentacja nagrania jako sekwencji próbek i tensora, wczytywanie popularnych formatów |
| Embeddingi audio i porównywanie nagrań na podstawie reprezentacji wektorowych | |
| Zadania | Klasyfikacja nagrań audio |
| Automatyczne rozpoznawanie mowy (ASR) i rozpoznawanie języka wypowiedzi | |
| Analiza treści nagrań i odpowiadanie na pytania dotyczące nagrania | |
| Modele | Pretrenowane enkodery audio (np. HuBERT) |
| Modele do przetwarzania dźwięku i mowy (np. Whisper, Qwen2-Audio, Voxtral) |
9. UCZENIE ZE WZMOCNIENIEM
| Obszar | Zagadnienie |
|---|---|
| Podstawy | Agent i środowisko, stan, akcja, nagroda |
| Polityka działania i funkcja wartości | |
| Proces decyzyjny Markowa (MDP) i równanie Bellmana | |
| Eksploracja i eksploatacja | |
| Algorytmy | Metody Monte Carlo i uczenie metodą różnic czasowych (TD Learning) |
| Q-learning i tablica wartości Q | |
| Algorytmy przeszukiwania w grach i problemach decyzyjnych (A*, minimax) |
10. MULTIMODALNOŚĆ
| Obszar | Zagadnienie |
|---|---|
| Reprezentacja multimodalna | Fuzja multimodalna (łączenie danych np. obrazowych, tekstowych, czy dźwiękowych, w jednym modelu) |
| Modele | Enkodery wizyjno-tekstowe i uczenie kontrastowe obraz–tekst (CLIP) |
| Modele wizyjno-językowe (np. LLaVA, Flamingo) | |
| Modele koder-dekoder w zadaniach wizyjno-językowych | |
| Modele wizyjno-językowo-akcyjne (VLA) |
11. WYJAŚNIALNOŚĆ MODELI (XAI)
| Obszar | Zagadnienie |
|---|---|
| Metody wyjaśniania | Wyjaśnienia globalne i lokalne |
| Ważność cech (np. współczynniki modeli liniowych) | |
| Wyjaśnienia kontrfaktyczne i prototypowe | |
| Metody post-hoc (np. LIME, SHAP) | |
| Wyjaśnialność sieci neuronowych | Mapy istotności (saliency maps) |
| Grad-CAM | |
| Wizualizacja map uwagi (attention) | |
| Interwencje na aktywach (Steering) | |
| Analiza obwodów i cech (mechanistic interpretability) |
12. ZAGADNIENIA UZUPEŁNIAJĄCE I ODPOWIEDZIALNE WYKORZYSTANIE SZTUCZNEJ INTELIGENCJI
| Obszar | Zagadnienie |
|---|---|
| Praca z modelem | Dobór metody i modelu do rodzaju problemu |
| Budowa kompletnego procesu uczenia maszynowego (Machine Learning Pipeline) | |
| Interpretacja wyników, analiza błędów | |
| Ograniczenia modeli sztucznej inteligencji | |
| Sprawiedliwość modeli | Źródła stronniczości danych i modeli (bias) |
| Metody ograniczenia stronniczości | |
| Rzetelność i odpowiedzialność | Reprodukowalność i dokumentowanie eksperymentów |
| Jakość i reprezentatywność danych | |
| Odpowiedzialne wykorzystywanie modeli generatywnych | |
| Zagadnienia etyczne, prywatność i bezpieczeństwo danych |