0. Introduccion a las Olimpiadas de IA
Teoria
La IOAI (International Olympiad in Artificial Intelligence) es una competencia internacional donde equipos de estudiantes resuelven problemas reales de IA usando datos, modelos y analisis experimental.
Temas clave para entender el ecosistema:
- Que es IOAI: una olimpiada centrada en aprendizaje automatico, ciencia de datos y razonamiento aplicado.
- Formato de competencia: pruebas teoricas, tareas practicas y retos por tiempo.
- Tipos de tareas: clasificacion, regresion, NLP, vision por computadora, series temporales y analisis de datos.
- Metricas de evaluacion: accuracy, F1, MAE, ROC-AUC, entre otras.
- Competencias estilo Kaggle: se compite con un leaderboard publico/privado.
- Etica en IA: sesgos, privacidad, explicabilidad y uso responsable.
- Diferencia con programacion competitiva clasica: aqui no basta con complejidad algoritmica, se evalua calidad predictiva, robustez y metodologia experimental.
Por que importa en competencias de IA
Esta base te permite interpretar reglas, optimizar para metricas correctas y evitar penalizaciones por mala metodologia o por fugas de datos.
Recursos recomendados
- Sitio oficial IOAI: noticias, syllabus, reglas y problemas anteriores de la olimpiada
- Kaggle Learn — Intro to Machine Learning: introduccion practica gratuita sin prerequisitos
- Google PAIR — Explorables de IA: visualizaciones interactivas sobre conceptos de ML y etica
- IBM AI Fairness 360: documentacion sobre fairness y sesgo en IA
Ejercicios practicos
- Investiga 3 competencias de Kaggle y resume: objetivo, metrica y tipo de datos.
- Compara 2 metricas (por ejemplo accuracy y F1) con un caso de clases desbalanceadas.
- Identifica 3 riesgos eticos posibles en un proyecto de reconocimiento facial.
Mini-proyectos
- Crea un “mapa de ruta” personal de 12 semanas para prepararte a una olimpiada de IA.
- Escribe una ficha de evaluacion para un problema de clasificacion con posibles metricas y riesgos.
Errores comunes
- Optimizar una metrica equivocada.
- Ignorar leakage y sobreajuste por mirar demasiado el leaderboard publico.
- Tratar IA como solo “entrenar modelos” sin analizar datos ni contexto.
Seccion avanzada (opcional)
Analiza reglamentos de competencias pasadas y diseña una estrategia de equipo: reparto de roles, control de experimentos y plan de validacion.
Ruta sugerida
- Entender formato y reglas.
- Aprender metrica objetivo y baseline.
- Preparar pipeline reproducible.
- Practicar con mini-competencias antes de eventos oficiales.
Desarrollo extendido para estudio profundo
Que debes comprender de verdad
No basta con leer definiciones. En este tema debes llegar a tres niveles de dominio:
- Nivel conceptual: explicar el tema sin mirar apuntes.
- Nivel tecnico: implementar lo aprendido en codigo o en ejercicios formales.
- Nivel estrategico: decidir cuando usar esta herramienta en una competencia.
Una forma util de estudiar es la secuencia “leer -> resumir -> implementar -> explicar”. Si no puedes explicar una idea con palabras simples, todavia no la dominaste.
Aplicacion paso a paso en un entorno de competencia
- Define objetivo y metrica antes de tocar el modelo.
- Prepara un baseline pequeno y completamente reproducible.
- Evalua con separacion correcta de datos.
- Registra decisiones y resultados por experimento.
- Repite solo cambios pequenos para aislar el impacto.
Este flujo te entrena para competir bajo presion sin perder rigor metodologico.
Checklist de dominio minimo
- Puedo describir el concepto central del tema con mis palabras.
- Puedo resolver un ejercicio basico sin ayuda externa.
- Puedo identificar al menos dos errores frecuentes del tema.
- Puedo conectar este tema con uno anterior de la ruta.
- Puedo escribir una implementacion limpia y comentada.
Autoevaluacion sugerida
Responde por escrito:
- Cual es la idea principal del tema y por que importa.
- Que decisiones tomarias al aplicarlo en un problema real.
- Que senales te indican que estas aplicando mal el enfoque.
- Como validarias que tu solucion funciona de verdad.
Plan de practica de 7 dias
- Dia 1: lectura completa + resumen personal.
- Dia 2: ejercicios basicos.
- Dia 3: ejercicios intermedios.
- Dia 4: mini-proyecto parte 1.
- Dia 5: mini-proyecto parte 2.
- Dia 6: analisis de errores + refactor.
- Dia 7: presentacion breve de resultados.