Syllabus IOAI (oficial 2026)

Fuente: Syllabus oficial 2026 (PDF) · página del syllabus. Lo actualiza cada año el International Scientific Committee (ISC); consultas a [email protected]. ⚠️ Verificar la versión nueva cuando se publique la de 2027 (Singapur).

Cada subtema se clasifica en:

  • Theory 🧠 — entender el “porqué” (puede caer en preguntas conceptuales).
  • Practice 💻 — saber implementarlo con código/librerías.
  • Both 🧠💻 — ambas.

Regla explícita: todo tema NO listado queda excluido del syllabus.

1. Fundamentos de programación → Python Científico

Todo Practice 💻:

  • Python básico (loops, funciones)
  • NumPy y Pandas
  • Matplotlib / Seaborn
  • Scikit-learn
  • PyTorch básico, manipulación de tensores
  • Entrenamiento en CPU y GPU

2. Machine Learning clásico → ML Clásico

SubtemaCat.
Regresión lineal · regresión logística · regularización L1/L2 · k-NN · árboles de decisión · SVM🧠💻
Ensambles: gradient boosting, bagging, random forest💻
K-means · PCA🧠💻
t-SNE, UMAP · DBSCAN, clustering jerárquico y espectral💻

3. Data science / metodología → Metodología y Datos

SubtemaCat.
Métricas (accuracy, precision, recall, F1, …) · matriz de confusión · curvas ROC🧠💻
Underfitting / overfitting🧠
Hiperparámetros · validación cruzada · feature engineering¹ · data processing²💻

¹ Feature engineering incluye: ventanas deslizantes, pooling, one-hot, momentos estadísticos (media, std), PCA, embeddings de redes. ² Data processing incluye: imputación (media/mediana/forward-fill), padding de secuencias, normalización/estandarización, splits train/val/test, augmentation básica (flip, crop, ruido), tokenización y vocabularios (texto y audio), patching de imágenes.

4. Redes neuronales y Deep Learning → Deep Learning

SubtemaCat.
Perceptrón · descenso de gradiente · backpropagation · activaciones (ReLU, Sigmoid, Tanh) · pérdidas (MSE, MAE, cross-entropy)🧠💻
MLP · embeddings (texto, imagen, audio) · pooling (max, avg) · atención · Transformers (teoría solo para texto e imagen) · SGD y mini-batch🧠💻
Autoencoders · Adam/AdamW (momentum) · convergencia y learning rates · regularización (dropout, early stopping, weight decay) · inicialización de pesos · batch norm · fine-tuning (completo y parameter-efficient, p. ej. LoRA)💻

5. Computer Vision → Computer Vision

SubtemaCat.
Capas convolucionales🧠💻
Clasificación de imágenes · detección (YOLO, SSD, DETR) · segmentación (U-Net) · encoders preentrenados (ResNet) · augmentation · GANs · self-supervised · encoders visión-texto (CLIP) · modelos de difusión💻

6. NLP y Audio → NLP y Audio

SubtemaCat.
Encoders de texto preentrenados (BERT) · language modeling🧠💻
Clasificación de texto · encoder-decoder (traducción, visión-lenguaje) · LLMs preentrenados (open-source y vía API)💻
Audio: encoders preentrenados (HuBERT) · Qwen-Audio, Whisper, Voxtral💻

📌 Notas

  • Los datos de las tareas pueden ser texto, tabulares, imagen, audio, video y series de tiempo.
  • No hay sección de “ética de IA” en el syllabus 2026: la ética aparece en la misión y el código de conducta, no como tema evaluado.
  • Las reglas de 2026 excluyen TensorFlow y Keras, pero permiten también scikit-learn y XGBoost, además de PyTorch. Elige según el problema y las restricciones de su enunciado: no todo entrenamiento requiere una red ni Hugging Face. Reglas 2026, sección 2.2 y apéndice técnico · Formato IOAI y estrategia.

Cómo se trabaja aquí

Un término en una lista no equivale a una habilidad practicada. La ruta combina intuición, experimentos pequeños y tareas oficiales; esta tabla permite elegir una experiencia concreta sin convertir el temario en una lista de casillas. Los cuadernos están en Laboratorios guiados.

IdeaDónde observarla y ponerla a pruebaAlcance
Métricas, ROC y umbrales04 - Métricas y laboratorio de métricasComparar ranking, umbral y desbalance sobre las mismas predicciones
Tablas heterogéneasLaboratorio de inspección y pipelineImputación, categorías desconocidas y transformación ajustada solo en train
Geometría de clustering08 - Sin etiquetas y laboratorio de comparaciónK-means, DBSCAN, jerárquico y espectral sobre geometrías diferentes
Gradientes y entrenamiento10 - Gradientes y backpropagation, 11 - Entrenar de verdad y cuaderno 06Observar curvas, checkpoints y efecto de los lotes
Atención y adaptación13 - Atención y Transformers, 14 - Fine-tuning y LoRA y cuaderno 07Un modelo pequeño local deja ver parámetros y gradientes; no acredita calidad preentrenada
Visión autosupervisada y GAN16 - Visión I, 20 - Modelos generativos y cuaderno 08Reconstrucción enmascarada, representación útil y diversidad de una GAN sintética
Siguiente token18 - Texto y cuaderno 09Pérdida, contexto y perplejidad en un modelo inspeccionable
Audio19 - Audio y señales y cuaderno 09Espectro, remuestreo, alineación y pooling; el uso de encoders reales requiere preparar sus pesos
Interacción22 - InteractivosJuez local con estado y score; representación pública distinta de la privada

Estos experimentos pequeños trabajan mecanismos. La inferencia con modelos preentrenados de visión, difusión y audio se profundiza con los materiales oficiales enlazados, sus pesos y su entorno. Su ejecución completa no se presume por haber ejecutado un caso sintético.

El alcance teórico no se limita a ML clásico o Transformers: incluye también bases de redes, pooling, convoluciones y modelado de lenguaje según las categorías anteriores. Calcular un ejemplo a mano puede ayudar a entenderlo; trabajar con código no elimina ese razonamiento.

En los hubs se distinguen temas no listados, restricciones del entorno y prioridades didácticas. Posponer entrenamiento grande por coste es una decisión de estudio; no convierte todo entrenamiento desde cero en una exclusión oficial.