Programă · Grupa Începători – ritm lent · An școlar 2026–2027
Competențe, conținuturi și planificare calendaristică
Programă destinată elevilor care pornesc de la un nivel introductiv de Python și au nevoie de consolidare înaintea temelor de competiție de la ONIA, ROAI și IOAI.
Introducere
Prezenta programă este destinată grupei Începători – ritm lent. În primul interval, octombrie–decembrie 2026, accentul cade pe Python, NumPy, Pandas și fundamentele de Machine Learning, astfel încât elevii să poată aborda materia de bază relevantă pentru etapa județeană. În perioada ianuarie–mai 2027, programa continuă gradual cu PyTorch, rețele neuronale, Computer Vision, NLP modern și teme selectate din syllabus-ul IOAI.
Pentru pregătirea de performanță se folosesc ca repere principale Programa Olimpiadei Naționale de Inteligență Artificială și syllabus-ul oficial IOAI 2026. Activitățile sunt organizate predominant practic, prin notebook-uri, seturi de probleme, mini-simulări și îmbunătățirea unor baseline-uri.
Organizare
Pregătirea se desfășoară pentru grupa Începători – ritm lent, destinată elevilor care au nevoie de o introducere mai amplă în Python înainte de parcurgerea conținuturilor de inteligență artificială.
Etapa I
Octombrie – Decembrie 2026
Python, NumPy, Pandas, Machine Learning clasic și simulare de etapă județeană.
Etapa II
Ianuarie – Martie 2027
PyTorch, rețele neuronale, optimizare, CNN, clasificare de imagini și transfer learning.
Etapa III
Aprilie – Mai 2027
Detecție și segmentare, CLIP și modele generative la nivel de utilizare, BERT, attention, transformers, modele de limbaj, audio și simulări integrate.
Orar și ritm
Ședința standard are durata de 90 de minute. Pentru octombrie–decembrie sunt prevăzute 16 ședințe, iar pentru ianuarie–mai 20 de ședințe. Pentru atingerea ritmului complet, unele săptămâni pot include o a doua întâlnire sau o ședință de recuperare, în funcție de calendarul școlar și de disponibilitatea grupei.
Structura unei ședințe
- 25–35 min — explicație și demonstrație
- 50–60 min — laborator practic
- 5–10 min — recapitulare și exerciții de consolidare
Competențe generale
Competențele generale urmăresc o progresie de la utilizarea instrumentelor de bază până la analiza, evaluarea și îmbunătățirea unor soluții de inteligență artificială.
| Cod | Competența generală |
|---|---|
| CG1 | Identifică și utilizează elementele fundamentale ale programării Python, ale lucrului cu date și ale inteligenței artificiale. |
| CG2 | Explică intuitiv modul de funcționare al algoritmilor de învățare automată și al rețelelor neuronale. |
| CG3 | Utilizează Python, NumPy, Pandas, scikit-learn și PyTorch pentru rezolvarea unor probleme concrete. |
| CG4 | Analizează și compară modele, metrici și strategii de preprocesare pentru a alege o soluție potrivită. |
| CG5 | Evaluează corect performanța, limitele, supraînvățarea și riscul de scurgere de date al unei soluții. |
| CG6 | Elaborează și îmbunătățește notebook-uri și baseline-uri reproductibile pentru probleme de tip concurs. |
| CG7 | Integrează modele pentru date tabelare, imagini, text și audio în sarcini practice de inteligență artificială. |
Competențe specifice și conținuturi
Grupa Începători – ritm lent
| Cod | Competența specifică | Exemplu de activitate |
|---|---|---|
| CSI1 | Scrie și depanează programe Python cu variabile, condiții, bucle, colecții, funcții și fișiere.Corelat cu CG1, CG3 | exerciții scurte, conversii din pseudocod/C++, prelucrare de fișiere și depanare |
| CSI2 | Utilizează NumPy și Pandas pentru manipularea, curățarea și analiza datelor.Corelat cu CG1, CG3 | vectorizare, standardizare, agregări, valori lipsă și analiză exploratorie |
| CSI3 | Construiește și evaluează modele clasice de regresie, clasificare și clustering.Corelat cu CG2, CG4, CG5 | regresie logistică, k-NN, arbori, Random Forest, SVM, boosting, K-Means, PCA |
| CSI4 | Aplică preprocesare, feature engineering, validare încrucișată și selecție de model fără scurgeri de date.Corelat cu CG4, CG5 | Pipeline, ColumnTransformer, GridSearch/RandomizedSearch și metrici adecvate |
| CSI5 | Utilizează PyTorch pentru tensori, seturi de date și bucle complete de antrenare.Corelat cu CG3, CG6 | Dataset/DataLoader, loss, optimizer, backward, train/eval, CPU/GPU |
| CSI6 | Construiește și antrenează rețele neuronale de bază și diagnostichează procesul de învățare.Corelat cu CG2, CG5, CG6 | MLP, activări, backpropagation, SGD/Adam, regularizare, embeddings și autoencodere |
| CSI7 | Aplică modele de viziune computerizată pentru clasificare și utilizează modele pre-antrenate pentru detecție/segmentare.Corelat cu CG3, CG7 | CNN, augmentare, transfer learning, fine-tuning, object detection și segmentation |
| CSI8 | Utilizează reprezentări și modele moderne pentru text și înțelege mecanismul de attention.Corelat cu CG2, CG3, CG7 | TF-IDF, BERT, attention, transformers și language modeling |
| CSI9 | Utilizează la nivel practic encodere multimodale, modele generative și modele audio pre-antrenate.Corelat cu CG3, CG7 | CLIP, GAN/diffusion la nivel conceptual, transcriere și clasificare audio |
| CSI10 | Rezolvă probleme integrate în stil competițional, pornind de la un baseline și urmărind o metrică.Corelat cu CG4, CG5, CG6 | mini-simulări, experimente controlate, jurnal de încercări și cod reproductibil |
Conținuturi — Octombrie–Decembrie
- Python de bază: variabile, tipuri, condiții, bucle, liste, dicționare, funcții, șiruri, fișiere, comprehensions, enumerate, zip și sortări.
- NumPy: ndarray, shape, indexare, slicing, broadcasting, vectorizare, norme, distanțe, medie, deviație standard și standardizare.
- Pandas și vizualizare: DataFrame, CSV, filtrare, groupby, agregări, valori lipsă, statistici descriptive și grafice uzuale.
- Fluxul Machine Learning: trăsături și etichete, train/validation/test, fit/predict, generalizare, overfitting, underfitting și data leakage.
- Modele supravegheate: regresie liniară/logistică, k-NN, arbori de decizie, Random Forest, SVM și Gradient Boosting.
- Preprocesare și evaluare: standardizare, one-hot encoding, imputare, feature engineering, Pipeline, ColumnTransformer, cross-validation, tuning și metrici.
- Învățare nesupravegheată: K-Means și PCA.
- NLP clasic: Bag-of-Words, TF-IDF, n-grame și clasificare de text.
- Ore de probleme și simulare de etapă județeană.
Conținuturi — Ianuarie–Mai
- t-SNE, UMAP, DBSCAN, clustering ierarhic și introducere practică în clustering spectral.
- PyTorch: tensori, Dataset, DataLoader, CPU/GPU și bucla de antrenare.
- Rețele neuronale: perceptron, MLP, activări, loss, gradient descent, backpropagation, SGD, Adam/AdamW, BatchNorm și regularizare.
- Embeddings și autoencodere; reprezentări latente.
- Computer Vision: convoluții, pooling, CNN, augmentare, clasificare de imagini, transfer learning și fine-tuning.
- Object Detection și Image Segmentation la nivel de utilizare; IoU și metrici relevante.
- Viziune modernă: self-supervised learning, CLIP, GAN și diffusion la nivel introductiv/aplicativ.
- NLP modern: tokenizare subword, embeddings, BERT, attention, transformers, language modeling și encoder-decoder.
- Fine-tuning eficient în parametri și utilizarea modelelor audio pre-antrenate pentru clasificare/transcriere.
- Probleme integrate și simulare finală în stil IOAI, cu baseline-uri și buget de timp.
Planificarea calendaristică
Datele exacte ale întâlnirilor se stabilesc prin calendarul intern; numărul de ședințe este orientativ și poate fi redistribuit în funcție de vacanțe, concursuri și ritmul real al grupei.
Octombrie 2026 – Decembrie 2026
Bază Python și materia pentru etapa județeană
Octombrie 2026
6 ședințe
TC1 Python: sintaxă, condiții, bucle; TC2 liste, dicționare, funcții; Python practic cu șiruri și fișiere; comprehensions și exerciții; NumPy; Pandas + Matplotlib.
Noiembrie 2026
5 ședințe
Introducere în Machine Learning și flux complet; regresie liniară/logistică și metrici; oră de probleme Python + ML; k-NN + arbori; Random Forest + SVM + Gradient Boosting.
Decembrie 2026
5 ședințe
Preprocesare + feature engineering + validare; problemă de ML supravegheat; K-Means + PCA; NLP clasic cu TF-IDF; recapitulare și simulare de etapă județeană.
Ianuarie 2027 – Martie 2027
PyTorch, rețele neuronale și Computer Vision
Ianuarie 2027
4 ședințe
Clustering avansat și vizualizare (t-SNE/UMAP, DBSCAN, ierarhic); PyTorch – tensori; Dataset/DataLoader și training loop; probleme de trecere scikit-learn → PyTorch.
Februarie 2027
5 ședințe
Perceptron + MLP; gradient descent + backpropagation + loss; SGD/Adam + learning rate + BatchNorm; regularizare + embeddings + autoencoder; mini-simulare pe rețele neuronale.
Martie 2027
4 ședințe
CNN – convoluții și pooling; clasificarea imaginilor + augmentare; encodere vizuale pre-antrenate + transfer learning/fine-tuning; problemă de Computer Vision în stil concurs.
Aprilie 2027 – Mai 2027
Extindere IOAI și simulări
Aprilie 2027
4 ședințe
Object Detection + Image Segmentation; self-supervised, CLIP, GAN și diffusion la nivel de utilizare; NLP modern cu BERT; Attention + Transformers.
Mai 2027
3 ședințe + simulare
Language Modeling + encoder-decoder + modele de limbaj; fine-tuning eficient + audio; problemă integrată IOAI; simulare finală și recapitulare.
Total orientativ: 36 de ședințe × 90 de minute. Primele 16 ședințe sunt dedicate intervalului octombrie–decembrie, iar următoarele 20 intervalului ianuarie–mai.
Evaluare
- 01Aplicație practică scurtă sau exercițiu de cod la majoritatea întâlnirilor.
- 02Seturi de probleme dedicate după blocurile importante de materie.
- 03Notebook-uri reproductibile pentru activitățile de Machine Learning și Deep Learning.
- 04Mini-simulare la finalul materiei pentru etapa județeană.
- 05Mini-simulări pe rețele neuronale și Computer Vision.
- 06Simulare finală în stil IOAI, cu baseline furnizat, metrică și timp limitat.
- 07Accent pe metodologie corectă, evitarea scurgerilor de date, interpretarea metricilor și capacitatea de a îmbunătăți controlat o soluție.
Resurse
Resurse principale
Resurse suport
- Documentația oficială Python, NumPy, Pandas, scikit-learn și PyTorch.
- Google Colab / Kaggle Notebooks pentru lucru practic și acces la GPU.
- Kaggle Learn pentru Python, Pandas și Machine Learning.
- Dive into Deep Learning și tutorialele oficiale PyTorch pentru aprofundare.
- Hugging Face pentru modele și tutoriale de NLP, vision și audio.
- Materiale proprii ale profesorilor coordonatori și notebook-uri adaptate ritmului grupei.
Notă de prioritizare
Dacă ritmul real al grupei este mai lent decât planificarea, se prioritizează în această ordine: PyTorch și bucla de antrenare; MLP, backpropagation și regularizare; CNN, clasificare de imagini și transfer learning; BERT/attention/transformers la nivel de bază; detecție/segmentare și audio la nivel de utilizare; GAN/diffusion/self-supervised ca overview aplicativ. Scopul este ca elevii să stăpânească bine nucleul, nu să parcurgă superficial toate extensiile.
Vrei ca fiul sau fiica ta să parcurgă acest traseu? Înscrierile pentru grupa Începători sunt deschise.
Înscrie un elev