Temos

Apie turinį

Dirbtinio intelekto olimpiada (DIO) remiasi Tarptautinės dirbtinio intelekto olimpiados (IOAI) programa.
Ji apima tiek teorines žinias, tiek praktinius įgūdžius, reikalingus norint suprasti, kurti ir taikyti dirbtinio intelekto metodus.

Temos suskirstytos į tris kategorijas:

  • Teorija – kaip tai veikia (pagrindiniai principai ir sampratos)

  • Praktika – kaip tai taikoma (realizavimas, įrankiai ir metodai)

  • Abi – temos, kuriose svarbu tiek teorinis supratimas, tiek praktinis pritaikymas

1. Pagrindiniai įgūdžiai ir klasikinis mašininis mokymasis

Programavimo pagrindai

  • Python (ciklai, funkcijos ir pan.)

  • Duomenų apdorojimas su NumPy ir Pandas

  • Vizualizacija su Matplotlib ir Seaborn

  • Mašininio mokymosi bibliotekos: Scikit-learn, PyTorch

  • Modelių kūrimas tiek CPU ir GPU aplinkoje

Prižiūrimas mokymasis

  • Tiesinė ir logistinė regresija

  • Reguliarizacija (L1, L2)

  • K-artimiausių kaimynų metodas (K-NN)

  • Sprendimų medžiai, ansambliniai modeliai (Bagging, Boosting, Random Forest)

  • Atraminių vektorinių metodas (SVM)

Neprižiūrimas mokymasis

  • Klasterizacija: K-Means, DBSCAN, hierarchinė, spektrinė

  • Dimensijų mažinimas: PCA, t-SNE, UMAP

Duomenų mokslas

  • Modelių vertinimas (Accuracy, Precision, Recall, F1, ROC kreivės)

  • Overfitting/Underfitting samprata

  • Kryžminė validacija, hiperparametrų parinkimas

  • Duomenų paruošimas ir inžinerija (normalizacija, imputation, augmentacija ir kt.)

2. Dirbtiniai neuroniniai tinklai ir gilusis mokymasis

  • Perceptronas, gradientinis nusileidimas, atgalinis sklidimas

  • Aktyvavimo ir nuostolių funkcijos (ReLU, Sigmoid, MSE, Cross Entropy ir kt.)

  • Daugiasluoksniai perceptronai (MLP)

  • Įterpinių (embedding) kūrimas tekstui, vaizdui, garsui

  • Sutelkimo technikos (Max, Average)

  • Optimizavimo metodai: SGD, Adam, Momentum

  • Reguliarizacija (Dropout, Early Stopping, Weight Decay)

  • Normalizacija (BatchNorm), svorių inicializacija

  • Modelių adaptacija (fine-tuning)

  • Dėmesio (Attention) sutelkimo mechanizmai ir Transformerių architektūros

3. Kompiuterinė rega

  • Konvoliuciniai sluoksniai (CNN)

  • Vaizdų klasifikacija, objektų atpažinimas (YOLO, SSD, DETR)

  • Vaizdų segmentacija (U-Net)

  • Iš anksto išmokyti modeliai (ResNet ir kt.)

  • Vaizdų generavimas (GAN, Diffusion)

  • Savarankiškas mokymasis (Self-supervised learning)

  • Multimodaliniai modeliai (pvz., CLIP – vaizdas + tekstas)

4. Natūralios kalbos apdorojimas ir garsas

Tekstas

  • Teksto klasifikacija

  • Kalbos modeliai ir enkoderių-dekoderių architektūros

  • Iš anksto išmokyti kalbos modeliai (BERT, GPT, ir kt.)

  • Modelių taikymas vertimui, analizėms, generavimui

Garsas

  • Garsinių duomenų atpažinimas ir analizė

  • Iš anksto išmokyti modeliai: HuBERT, Whisper, Qwen-Audio, Voxtral

Apibendrinimas

DIO programoje apimamos temos iš:

  • giliojo mokymosi,

  • kompiuterinės regos,

  • kalbos ir garso apdorojimo sričių.

Tai užtikrina, kad dalyviai ugdytų tiek teorinį supratimą, tiek praktinius gebėjimus, reikalingus dirbtinio intelekto kūrimui ir taikymui.