🧭 Ruta de Aprendizaje

Un recorrido desde sé programar, no sé nada de IA hacia la resolución de tareas de la IOAI. Veintinueve clases en cuatro niveles: primero datos y modelos, después redes, modalidades y práctica de competencia. Las lecciones construyen intuiciones y los Laboratorios guiados permiten verlas en acción, cambiar una idea y observar qué ocurre. Hay cuadernos completos para el inicio y prácticas avanzadas identificadas en sus módulos; no todos los capítulos tienen un notebook propio ni una tarea oficial preparada.

De dónde partes: se asume que sabes programar —variables, ciclos, funciones, estructuras— en cualquier lenguaje. No se asume nada de Python científico, de machine learning ni de matemática universitaria. Si vienes de la OCI o de un curso de programación competitiva, puedes aprovechar esa experiencia mientras incorporas las ideas nuevas.

Cómo usarla: el orden construye unas ideas sobre otras, pero puedes moverte entre explicación, figura y experimento según lo que te dé curiosidad. Las clases de fundamentos forman parte del recorrido antes de usar sus ideas. Puentes de entrada ofrece cápsulas de repaso de Python y matemática; Diagnóstico inicial reúne preguntas para orientarte, sin examen ni casillas. Un notebook que corre es el principio: predecir qué cambiará y contrastarlo con su resultado ayuda a entender el mecanismo.

No todas las tareas exigen entrenar un modelo. La tabla de tareas y métodos muestra ejemplos de entrenamiento, modelos congelados, búsqueda e interacción.

Dos preguntas que acompañan la ruta

«¿Qué patrón aprendió el modelo?» y «¿qué evidencia tengo de que sirve en ejemplos nuevos?». La primera invita a entender el mecanismo; la segunda, a diseñar una comparación que responda la pregunta de predicción. Por eso la ruta desarrolla dos aspectos desde el comienzo:

  1. el temario del Syllabus IOAI, y
  2. la disciplina experimental: baseline primero, validación local honesta, comparaciones que se puedan repetir y formato de salida correcto.

Ambas se aprenden mejor al experimentar. Algunas actividades comparan un predictor con un baseline; otras exploran formas, agrupaciones o validaciones que responden preguntas distintas. No todas consisten en subir un número. Los ejemplos sintéticos iniciales enseñan el método sin pretender reconstruir el rendimiento de una tarea oficial.

En las tareas individuales con normalización, el baseline oficial fija una referencia de puntaje. El módulo 03 explica esa escala cuando ya has visto un modelo y una evaluación; los detalles por edición están en Formato IOAI y estrategia.

Sobre el idioma 🇬🇧

Las actividades iniciales propias están en español y funcionan con datos locales. Las lecturas externas en inglés son apoyos opcionales en ese tramo; la ruta incorpora después documentación y enunciados originales de forma progresiva. Un pequeño vocabulario basta para empezar: feature = variable de entrada, label = etiqueta, train = entrenamiento, validation = validación, test = prueba, fit = ajustar, predict = predecir, baseline = referencia.

Hay traducciones de enunciados: el repositorio oficial 2026 distingue las revisadas por delegaciones de las automáticas sin verificar. Ante discrepancias prevalece el original inglés. La disponibilidad de una traducción no garantiza que cada recurso externo tenga versión en español.


Nivel 1 — El piso: datos, modelos y método

De «sé programar» a «entreno un modelo y sé si es bueno». Es el nivel más largo y permite construir el ciclo completo con datos pequeños antes de preparar una tarea oficial. Los cuadernos iniciales muestran distribuciones, fronteras y errores en figuras que puedes modificar.

El orden siguiente incluye las clases de fundamentos. Los números de los títulos existentes se conservan como identificadores; los enlaces al pie siguen este recorrido completo.

Nivel 2 — Deep learning

Cómo aprende una red y cómo adaptar sus representaciones a una tarea. Este nivel retoma el ciclo de datos, entrenamiento y validación del anterior y hace visible lo que ocurre dentro del modelo.

Nivel 3 — Las modalidades

Aquí las representaciones se conectan con imágenes, texto y audio. Después aparecen dos preguntas distintas: cómo generar ejemplos y cómo cambia una predicción ante una perturbación pequeña. Los experimentos locales y las tareas oficiales permiten explorar estas ideas a escalas diferentes.

Nivel 4 — Nivel IOAI

Desde ahí el material es el vault completo: los once temas de Temas, las tareas de IOAI con su rendimiento histórico observado, y el Syllabus IOAI como brújula para distinguir contenido exigido, no incluido y decisiones didácticas de profundidad.


Leer, mirar y probar

Una buena sesión puede empezar con una pregunta: «¿por qué se juntan esos puntos?», «¿por qué subió accuracy si no detecto positivos?» o «¿qué cambia al mover el umbral?». Lee la explicación que necesitas, abre la figura del cuaderno y cambia algo pequeño. Las soluciones separadas permiten comparar ideas sin convertirlas en una lista de pasos que haya que seguir.

El primer intento no necesita reloj. Si más adelante practicas bajo presupuesto, distingue tiempo de preparación, de resolución y de ejecución del juez. Una aceleración observada en tu equipo no es un requisito universal de aprendizaje.

Entrenamiento competitivo

Cuando quieras ensayar la jornada completa, consulta Protocolo de simulacro. Distingue un experimento didáctico, una consolidación con tareas ya vistas y un ensayo con tareas reservadas. Para comparar puntajes hacen falta el mismo split, la misma métrica y los parámetros correctos: un resultado local no permite asignarse una medalla histórica ni predecir una futura.


Las otras puertas del vault: Referencia · IOAI · Temarios: Syllabus IOAI · Formato IOAI y estrategia · Material en Recursos.