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 zależnościowa – Analiza składniowa zdań przy użyciu modelu HerBERT.
- Kwantyzacja kolorów – Kwantyzacja kolorów w obrazach.
- Śledzenie obiektów – 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
Oceny za zadania zostaną wyliczone na podstawie podanych w treściach zadań kryteriów. Za zadania będzie można zdobyć maksymalnie 1.0 (Ataki adwersarialne, Niezbalansowana klasyfikacja), 1.5 (Śledzenie obiektow, Pruning, Zagadki, Kwantyzacja kolorów) lub 2.0 punkty (Analiza zależnosciowa). Łącznie w pierwszym etapie jest do zdobycia 10 punktów.
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 "Analiza zależnościowa" stanowi utwór pochodny.
- HerBERT base cased - Model dostępny dostępny tu,
@inproceedings{mroczkowski-etal-2021-herbert,
title = "{H}er{BERT}: Efficiently Pretrained Transformer-based Language Model for {P}olish",
author = "Mroczkowski, Robert and
Rybak, Piotr and
Wr{\\'o}blewska, Alina and
Gawlik, Ireneusz",
booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
month = apr,
year = "2021",
address = "Kiyv, Ukraine",
publisher = "Association for Computational Linguistics",
url = "https://www.aclweb.org/anthology/2021.bsnlp-1.1",
pages = "1--10",
}
- 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!