ONIA – Conteúdos

Aqui, você vai encontrar todos os conteúdos cobrados nas 4 fases da ONIA.

Ciclo Básico – Fases 1 e 2

Fase 1

• Conceitos básicos de IA:
  • Aplicações na vida real (carros autônomos, chatbots)
  • Eventos determinísticos vs randômicos
  • Ideia da evolução da IA durante o aprendizado
  • Definição básica
  • Intuição sobre estratégias de treinamento e otimização
  • Ética na IA – viéses durante o treinamento, uso em deepfakes e golpes
• Lógica matemática e de programação:
  • Identificação de padrões, visuais e numéricos
  • Raciocínio espacial
  • Compreensão do funcionamento de grafos e navegação em grids
• Filosofia na IA – conceitos como o quarto chinês de John Searle, autômatos e Sociedade da Mente

Fase 2

Todos os conteúdos da Fase 1, mais:

• Lógica matemática e de programação:
  • Definição de algoritmos
  • Lógica sentencial
  • Máquina de estados
  • Aprofundamento em grafos e algoritmos de navegação – DFS/BFS/Djikstra, Árvores, grafos uni/bidirecionais, grafos com pesos
• História da IA:
  • Conferência de Dartmouth
  • Problema XOR e o inverno da IA
• Conceitos de IA:
  • Machine Learning clássico – conceitos de classificação binária, multiclasse e regressão
  • O Perceptron – conceito/teoria e prática.
  • Tarefas realizadas pela IA – Computer Vision (classificação, segmentação, detecção de objetos); NLP (embeddings, classificação de texto); Classificação/Regressão com redes neurais
  • Diferentes tipos de aprendizado – reforço, supervisionado, não-supervisionado
  • Ideias sobre treinamento – Overfitting, Underfitting, taxa de aprendizado

Ciclo Preparatório – Fases 3 e 4

Fase 3

Todos os conteúdos da Fase 2, mais:

• Machine Learning clássico – usando o Python + Scikit Learn (recomendado) ou o Orange:
  • Visão geral do Pipeline de ML: Pré-processamento, Treino, Validação e Teste:
    • Divisão dos dados: treino/teste e treino/validação/teste, entendimento de data leakage, validação cruzada
    • Pré-processamento de dados: Data Cleaning, Data Scaling, desbalanceamento de classes, feature engineering, feature importance.
    • Exploratory Data Analysis, com bibliotecas como Pandas (se usando python).
  • Algoritmos supervisionados clássicos: Regressão Linear, Regressão Logística, KNN, Árvores de decisão (Random forests e Gradient Boosting), SVM.
  • Tunagem de hiperparâmetros: manual (através do entendimento dos hiperparâmetros de cada algoritmo) e automática (GridSearchCV, AutoML).
• Básico de Deep Learning:
  • MLP voltado para problemas tabulares de classificação/regressão:
    • Hiperparâmetros de redes neurais
    • Pipeline de treinamento/otimização/data loading
    • Estratégias de mitigação de Overfitting (L2, Dropout, batch size pequeno).
• Python:
  • Sintaxe, tipos (int, str, bool), estruturas de dados (list, dict, tuple, set) e manipulação
  • Estruturas de controle de fluxo (if, for, while) e list comprehension

Detalhe importante: A fase 3 é muito mais sobre a prática do que a teoria. Em edições passadas, a prova foi dividida entre uma parte prática e outra teórica, mas mesmo a parte teórica era focada em exercícios de programação, onde era esperado que o competidor testasse os códigos fornecidos para aprender na prática. Espere problemas com dados tabulares, de classificação ou regressão.

Fase 4

Como a Fase 4 da ONIA pode cobrar uma lista de conteúdos bem mais extensa que as fases anteriores, você pode checar a lista completa na página: Conteúdos da fase 4. Essa página inclui também os tópicos das fases anteriores, que vale a pena revisar e aprofundar.