Prepárate para la OMIA

Estudia los temas de la competencia en orden y a tu ritmo, desde los fundamentos hasta los problemas que combinan varias áreas.

Empezar la guía
Un estudiante de la selección mexicana resuelve la prueba individual de la IOAI 2026 en Astana, con la camiseta de México en el respaldo de su silla.IOAI 2026 · Foto: IOAI

Tu camino a la IOAI

  1. Guía · Estás aquí

  2. Etapa estatal

  3. Concurso nacional

  4. IOAI

módulos
9
lecciones
46
requisito previo
Ninguno
  1. Módulo 1: Orientación
  2. Módulo 2: Datos
  3. Módulo 3: Aprendizaje supervisado
  4. Módulo 4: Aprendizaje no supervisado
  5. Módulo 5: Redes neuronales
  6. Módulo 6: Representaciones y atención
  7. Módulo 7: Visión por computadora
  8. Módulo 8: Lenguaje y audio
  9. Módulo 9: Problemas integrados

Ruta de estudio

  2. Módulo 02 / 09

    Datos

    6 lecciones

    Inspeccionar arreglos, tablas y visualizaciones antes de transformar o modelar.

    Ver las 6 lecciones
    1. Arreglos y ejesshape, dtype, indexación, broadcasting acotado y mean(axis=…).
    2. Tablas y valores faltantesread_csv, info(), dtypes, isna(), selección y filtrado.
    3. Visualización exploratoriaScatterplot con Matplotlib/seaborn y lectura de ocho observaciones.
    4. Particiones y fuga de datostrain_test_split en tres partes, stratify, escalador ajustado solo con entrenamiento, duplicados, GroupShuffleSplit y tabla pública/privada.
    5. Auditoría de un datasetdtypes frente a esquema, rangos imposibles, duplicated(), faltantes, desbalance, one-hot y escalado dentro de ColumnTransformer.
    6. Estadística y probabilidad básicasProducto punto, norma y distancia; media, mediana y desviación; probabilidad condicional con conteos; variación entre muestras.

  3. Módulo 03 / 09

    Aprendizaje supervisado

    9 lecciones

    Crear modelos de referencia, elegir métricas y comparar modelos sin contaminar la evaluación.

    Ver las 9 lecciones
    1. Baseline y métricasDummyClassifier, exactitud con clases desbalanceadas, matriz de confusión, precisión, recall, F1, ROC-AUC, MAE y RMSE.
    2. Regresión lineal y logísticaLinearRegression, coeficientes escalados, Ridge y Lasso, sigmoide, predict_proba y umbral de decisión.
    3. Árboles, vecinos y ensemblesK-NN y escalado, árbol de decisión y profundidad, random forest, HistGradientBoosting y SVM con kernel RBF.
    4. Validación cruzada y tuningKFold, StratifiedKFold, Pipeline dentro de cada fold, GridSearchCV, RandomizedSearchCV y holdout.
    5. Underfitting y overfittingError de entrenamiento frente a validación, curva de complejidad, learning_curve y regularización con Ridge.
    6. Ingeniería de característicasRazones, log1p, interacciones, OrdinalEncoder y TargetEncoder, MinMaxScaler y RobustScaler, FunctionTransformer e importancia por permutación.
    7. Bagging y boostingBootstrap y error fuera de bolsa, varianza frente a sesgo, árboles sobre residuos, tasa y parada temprana.
    8. Librerías y ensemblesHistGradientBoosting, XGBoost y LightGBM lado a lado, categóricas nativas, regularización, voting, stacking y blending.
    9. Minirreto supervisadoProblema tabular de principio a fin: auditoría, baseline, dos familias de modelos, validación cruzada y archivo de predicciones.

  4. Módulo 04 / 09

    Aprendizaje no supervisado

    4 lecciones

    Distinguir visualización, compresión y clustering; criticar estabilidad e interpretación.

    Ver las 4 lecciones
    1. K-means y PCAK-means, inercia y silueta, efecto de la escala, PCA y varianza explicada; comprimir frente a agrupar.
    2. t-SNE y UMAPt-SNE sobre load_digits, perplexity y semilla, comparación con PCA y UMAP en prosa.
    3. Clustering por densidad y jerárquicoDBSCAN con eps y min_samples, puntos de ruido, clustering jerárquico con ward y average, y corte en k grupos.
    4. Selección de métodoVisualizar, comprimir o agrupar; k-means, DBSCAN o jerárquico; estabilidad con adjusted_rand_score.

  5. Módulo 05 / 09

    Redes neuronales

    7 lecciones

    De tensores y gradientes a un ciclo de entrenamiento que puedes verificar.

    Ver las 7 lecciones
    1. Tensores y autogradtorch.tensor, shape, dtype y device, broadcasting, requires_grad, backward, torch.no_grad y conversión con NumPy.
    2. Perceptrón y backpropagationPerceptrón, XOR, red de dos capas a mano y backpropagation comparado con autograd.
    3. MLP, activaciones y pérdidasnn.Module, nn.Linear, ReLU, sigmoide y tanh, logits, CrossEntropyLoss, BCEWithLogitsLoss y MSELoss.
    4. Loop de entrenamientoDataLoader, zero_grad, backward y step, SGD frente a Adam, train/eval y sobreajuste de un batch diminuto.
    5. Regularización y normalizaciónWeight decay, dropout, early stopping, inicialización de pesos, BatchNorm y LayerNorm.
    6. Misión de entrenamientoMLP en load_digits de principio a fin: baseline clásico, prueba del loop, curvas, diagnóstico y ablation.
    7. Derivadas y gradientesDiferencias finitas, gradiente de dos variables, regla de la cadena, descenso por gradiente y learning rate.

  6. Módulo 06 / 09

    Representaciones y atención

    4 lecciones

    Trazar representaciones y adaptar modelos preentrenados bajo un presupuesto explícito.

    Ver las 4 lecciones
    1. Embeddings y autoencodersnn.Embedding, similitud coseno, pooling por media y autoencoder con cuello de botella sobre load_digits.
    2. Atención y transformersAtención de producto punto escalado, softmax, máscara causal, nn.MultiheadAttention y bloque transformer.
    3. Fine-tuningCuerpo preentrenado, cabeza nueva, congelar frente a ajustar todo y comparación con entrenar desde cero.
    4. Adaptación eficienteParámetros entrenables, LoRA a mano sobre nn.Linear y comparación con el fine-tuning completo.

  7. Módulo 07 / 09

    Visión por computadora

    5 lecciones

    Resolver tareas de clasificación, detección y segmentación con transferencia controlada.

    Ver las 5 lecciones
    1. Convoluciones y clasificaciónImagen como tensor, convolución a mano y con nn.Conv2d, padding, stride, pooling y bloque residual.
    2. Detección y segmentaciónCajas e IoU, supresión de no máximos (NMS), segmentación por píxel, Dice y U-Net en prosa.
    3. Augmentación y self-supervisionVolteo, desplazamiento y ruido, transformaciones que cambian la etiqueta y pérdida contrastiva con similitud coseno.
    4. CLIP, GAN y difusiónEspacio compartido imagen-texto, clasificación zero-shot, GAN en 1D y proceso de difusión hacia adelante.
    5. Misión de visiónTarea de visión con imágenes sintéticas: baseline clásico, CNN pequeña, augmentación y errores por clase.

  8. Módulo 08 / 09

    Lenguaje y audio

    5 lecciones

    Conectar tokenización, modelos de secuencias y transferencia entre texto y audio.

    Ver las 5 lecciones
    1. Clasificación de textoTokenización, vocabulario, TF-IDF, regresión logística, padding, máscaras y clasificador con nn.Embedding.
    2. Modelos de lenguajeSiguiente token, bigramas, perplejidad, temperatura y top-k, y modelo de caracteres en PyTorch.
    3. Modelos abiertosPesos, tokenizer, tarjeta y licencia; memoria por dtype, subpalabras y límite de contexto.
    4. Audio con modelos preentrenadosFrecuencia de muestreo, señales sintéticas, torch.stft, características por ventana y modelos de audio en prosa.
    5. Misión de texto y audioTarea de texto con TF-IDF y modelo neuronal, lectura de errores y laboratorio breve de audio sintético.

  9. Módulo 09 / 09

    Problemas integrados

    4 lecciones

    Integrar decisiones, registrar experimentos y construir un portafolio reproducible.

    Ver las 4 lecciones
    1. Descomposición y baselineEntrada, salida, métrica y formato de envío; baseline mínimo y validación del archivo con código.
    2. Ablations y priorizaciónAblation con la misma validación, variación entre semillas, tabla de experimentos y priorización.
    3. Plataformas externasTabla pública y privada, límite de envíos, formato de envío y validación local antes de enviar.
    4. Portafolio y simulacrosFormato de la prueba, simulación de tiempo y red, requirements fijados y script que regenera el envío.

Biblioteca de Python

Consulta una referencia cuando necesites ayuda con el código. No forma parte de la ruta de estudio.

Referencia de PythonNotebooks y kernelReferencia de PythonValores y tiposReferencia de PythonCondicionales y buclesReferencia de PythonColeccionesReferencia de PythonFunciones y módulosReferencia de PythonArchivos y pruebas