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
| Subtema | Cat. |
|---|---|
| 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
| Subtema | Cat. |
|---|---|
| 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
| Subtema | Cat. |
|---|---|
| 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
| Subtema | Cat. |
|---|---|
| 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
| Subtema | Cat. |
|---|---|
| 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.
| Idea | Dónde observarla y ponerla a prueba | Alcance |
|---|---|---|
| Métricas, ROC y umbrales | 04 - Métricas y laboratorio de métricas | Comparar ranking, umbral y desbalance sobre las mismas predicciones |
| Tablas heterogéneas | Laboratorio de inspección y pipeline | Imputación, categorías desconocidas y transformación ajustada solo en train |
| Geometría de clustering | 08 - Sin etiquetas y laboratorio de comparación | K-means, DBSCAN, jerárquico y espectral sobre geometrías diferentes |
| Gradientes y entrenamiento | 10 - Gradientes y backpropagation, 11 - Entrenar de verdad y cuaderno 06 | Observar curvas, checkpoints y efecto de los lotes |
| Atención y adaptación | 13 - Atención y Transformers, 14 - Fine-tuning y LoRA y cuaderno 07 | Un modelo pequeño local deja ver parámetros y gradientes; no acredita calidad preentrenada |
| Visión autosupervisada y GAN | 16 - Visión I, 20 - Modelos generativos y cuaderno 08 | Reconstrucción enmascarada, representación útil y diversidad de una GAN sintética |
| Siguiente token | 18 - Texto y cuaderno 09 | Pérdida, contexto y perplejidad en un modelo inspeccionable |
| Audio | 19 - Audio y señales y cuaderno 09 | Espectro, remuestreo, alineación y pooling; el uso de encoders reales requiere preparar sus pesos |
| Interacción | 22 - Interactivos | Juez 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.