Witamy w repozytorium z zadaniami Olimpiady Sztucznej Inteligencji. Olimpiada ta jest skierowana do uczniów szkół średnich w Polsce, którzy są zainteresowani sztuczną inteligencją. Celem jest zwiększenie zainteresowania AI oraz wyłonienie drużyny na Międzynarodową Olimpiadę Sztucznej Inteligencji.
Strona główna: Olimpiada Sztucznej Inteligencji
Olimpiada jest dwuetapowa, z pierwszym etapem zdalnym trwającym od 22. kwietnia do 27. maja, w którym uczestnicy rozwiązują zadania w domu. Prosimy nie udostępniać rozwiązań przed zakończeniem konkursu. Regulamin konkursu jest dostępny na naszej stronie.
Zadania powinny być rozwiązane samodzielnie i przesłane do Komitetu Zadaniowego za pomocą specjalnej strony Olimpiady. Każde zadanie określa, jakie pliki należy przesyłać – najczęściej będzie to jeden plik Jupyter Notebook. Wszystkie prace będą oceniane automatycznie przez skrypt podobny do zawartego w zadaniu. Przed wysłaniem rozwiązania każdy uczestnik powinien upewnić się, że działa ono na skrypcie walidacyjnym.
W ramach Olimpiady uczestnicy zmierzą się z następującymi wyzwaniami:
- Ataki adwersarialne – Atak na konwolucyjną sieć neuronową.
- Niezbalansowana klasyfikacja – Trening klasyfikatora na niezbalansowanych danych.
- Analiza zaleznosciowa – Analiza składniowa zdań przy użyciu modelu HerBERT.
- Kwantyzacja kolorów – Kwantyzacja kolorów w obrazach.
- Śledzenie obiektow – Śledzenie obiektów w sekwencji wideo.
- Pruning – Zmniejszanie liczby wag w sieciach neuronowych.
- Zagadki – Odpowiadanie na pytania do tekstu źródłowego.
Lista dopuszczalnych pakietów znajduje się w pliku requirements.txt
. Rozwiązania będą testowane przy użyciu Pythona 3.11. Na potrzeby pracy nad zadaniami, zalecamy stworzenie środowiska wirtualnego
python3 -m venv oai_env
source oai_env/bin/activate
pip install -r OlimpiadaAI/requirements.txt
Repozytorium korzysta z następujących zasobów objętych licencjami:
- Składnica zależnościowa - Zasób dostępny na licencji GNU General Public License wersja 3 (GPLv3). Więcej informacji można znaleźć tutaj. Zbiór danych użyty w zadaniu
syntax_trees
stanowi utwór pochodny. - HerBERT base cased - Model dostępny dostępny tu, Mroczkowski, R., Rybak, P., Wróblewska, A., & Gawlik, I. (2021). HerBERT: Efficiently pretrained transformer-based language model for Polish. arXiv preprint arXiv:2105.01735.
- Zbiory danych generowane przy użyciu PyBullet - objęte licencją MIT, szczegóły tutaj.
- Dall-E i Stable Diffusion - pełne prawa do użycia i sprzedaży wyników, więcej informacji w licencji.
- Zbiory danych generowane przy użyciu SCGAN - więcej informacji na IEEE oraz w repozytorium GitHub.
W razie pytań lub wątpliwości, prosimy o kontakt przez e-mail: [email protected].
Życzymy inspiracji i powodzenia w rozwiązywaniu zadań!