한국정보기술진흥원

실라버스 소개

국제인공지능올림피아드(IOAI)는 고등학생을 대상으로 하는 세계적인 AI 경시대회로, 탄탄한 이론적 기반과 실전 구현 능력을 함께 기르는 것을 목표로 한다. 본 출제 범위는 대회에서 우수한 성적을 거두기 위해 참가자가 숙달해야 할 주제들을 정리한 것이다. 매년 IOAI 국제 학술 위원회(ISC)는 최신 연구 동향과 교육적 우선순위를 반영하여 공식 출제 범위를 갱신한다.

주제 분류

주제는 참가자가 갖춰야 할 지식의 수준과 성격에 따라 세 가지로 구분된다.

이론 (작동 원리): AI 알고리즘을 움직이는 "왜"에 해당하는 핵심 개념과 이론적 배경을 이해해야 한다. 교재·강의 등을 통해 원리를 학습하며, 깊이보다는 폭넓은 이해를 우선한다.
실전 (무엇을 하는지, 언제 쓰는지, 어떻게 구현하는지): AI 기법을 코드로 구현할 수 있는 실질적인 능력을 길러야 한다. 라이브러리 함수를 적절히 사용하고, 실제 데이터에 적용하며, 출력 결과를 해석할 수 있어야 한다. 예: Adam 옵티마이저의 내부 구조까지 파고들 필요는 없지만, 언제·어떻게 써야 하는지는 판단할 수 있어야 한다.
이론 + 실전: 일부 주제는 이론적 원리와 실전적 구현 능력을 모두 요구한다.

1과목. 기초 역량 및 고전 머신러닝

1-1. 프로그래밍 기초

세부 주제	이론	실전
Python 기초 (반복문, 함수 등)	X	O
데이터 처리용 NumPy, Pandas	X	O
시각화용 Matplotlib, Seaborn	X	O
머신러닝용 Scikit-learn	X	O
PyTorch 기초	X	O
텐서(다차원 배열) 조작	X	O
CPU/GPU에서의 모델 학습	X	O

1-2. 지도학습

세부 주제	이론	실전
선형회귀	O	O
로지스틱 회귀	O	O
L1, L2정규화	O	O
K-최근접 이웃(K-NN)	O	O
의사결정 트리	O	O
앙상블 모델 (Gradient Boosting, Bagging, Random Forest)	X	O
서포트 벡터 머신 (SVM)	O	O

1-3. 비지도학습

세부 주제	이론	실전
K-평균 군집화	O	O
주성분 분석(PCA)	O	O
t-SNE, UMAP	X	O
DBSCAN, 계층적 군집화, 스펙트럼 군집화	X	O

1-4. 데이터 사이언스 기초

세부 주제	이론	실전
모델 평가 지표 (정확도, 정밀도, 재현율, F1 등)	O	O
과소적합, 과대적합	O	X
하이퍼파라미터 튜닝	X	O
교차검증	X	O
혼동행렬, ROC 곡선	O	O
피처 엔지니어링*	X	O
데이터 전처리**	X	O

*피처 엔지니어링: 고차원·범주형·시계열·가변 길이 원시 데이터를 정보량 높은 소수의 피처로 변환하는 작업. sliding window, pooling, one-hot encoding, 통계적 모멘트 기반 피처(평균, 표준편차), PCA, 신경망 임베딩 등이 포함된다.

**데이터 전처리: 결측치·불규칙 데이터 처리(시퀀스 모델링 포함). 기본 대체 전략(평균/중앙값/forward-fill), 가변 길이 시퀀스 패딩, 정규화·표준화, train/validation/test 분할 전략, 기본 증강(flip, crop, noise), 텍스트·오디오 토큰화 및 어휘 구축, 이미지 patching 등을 포함한다.

2과목. 신경망 및 딥러닝

2-1. 신경망

세부 주제	이론	실전
퍼셉트론 기초	O	O
경사하강법	O	O
역전파	O	O
활성화 함수 (ReLU, Sigmoiod, Tanh)	O	O
손실 함수 (MSE, MAE, Cross Entropy 등)	O	O

2-2. 딥러닝

세부 주제	이론	실전
다층 퍼셉트론 (MLP)	O	O
데이터 임베딩 (텍스트, 이미지, 오디오)	O	O
풀링 기법 (Max, Average)	O	O
어텐션 메커니즘	O	O
트랜스포머 (이론은 텍스트, 이미지에 한함)	O	O
오토인코더	X	O
SGD, 미니배치 경사하강법	O	O
모멘텀 기반 기법 (Adam, AdamW)	X	O
수렴성과 학습률	X	O
정규화 (Dropout, Early Stopping, Weight Decay)	X	O
가중치 초기화	X	O
배치 정규화	X	O
모델 파인튜닝 (full 및 PEFT)	X	O

3과목. 컴퓨터 비전

3-1. CV 기초

세부 주제	이론	실전
합성곱 레이어	O	O
이미지 분류	X	O
객체 탐지 (YOLO, SSD, DETR)	X	O
이미지 분할 (U-Net)	X	O
사전학습 비전 인코더 (ResNet 등)	X	O
이미지 증강	X	O
GAN을 이용한 이미지 생성	X	O
비전 자기지도학습	X	O
비전-텍스트 인코더 (CLIP 등)	X	O
디퓨전 모델	X	O

4과목. 자연어 처리 및 오디오

4-1. 자연어 처리용

세부 주제	이론	실전
텍스트 분류	X	O
사전학습 텍스트 인코더 (BERT 등)	O	O
언어 모델링	O	O
인코더-디코더 모델 (기계번역, 비전-언어 모델링 등)	X	O
사전학습 언어 모델 (오픈소스 및 API 기반)	X	O

4-2. 오디오 처리

세부 주제	이론	실전
사전학습 오디오 인코더 (HuBERT)	X	O
오디오 모델 (Qwen-Audio, Whisper, Voxtral)	X	O

참고: 데이터는 텍스트, 표, 이미지, 오디오, 비디오, 시계열 형태 모두 가능하며, 위의 방법들로 처리되어야 한다.