MOAI 2025 備考完全指南：從理論基石到實戰巔峰

這份指南由國際人工智慧奧林匹克（IOAI/MOAI）金牌教練與技術架構師精心編寫。IOAI 個人賽是一項極高強度的挑戰，要求參賽者在為期兩天、每天六小時的現場賽中，針對複雜數據進行建模。本手冊旨在幫助參賽者在「Bohrium 平台」與「受限網路環境」下，轉化理論為本能，掌握奪冠所需的技術精度與戰術深度。

---

先看這張表

1. 編程實戰題（Kaggle 模式）提示詞指南

1.1 模擬「白名單環境」下的解題邏輯

在 IOAI 現場賽中，參賽者僅能訪問 scikit-learn.org 等白名單文檔。在無法依賴外部搜尋引擎或高級 LLM（僅限平台內置緊湊型模型）的情況下，必須內化標準化建模流程。

監督式學習標準化流程清單（Syllabus 規範）：

離線環境 API 查詢技巧： 當文檔訪問不便時，請利用 Python 內置函數進行「自救」：

1.2 數據清理與特徵工程（不聯網策略）

在離線環境下，熟練 API 簽名（Signature）是防止開發中斷的唯一方法。特別注意：在 inference.py 中，應優先選擇 Scikit-learn 的轉換器以保證訓練與預測的一致性。

短例子：

from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy="median")
X_num = imputer.fit_transform(X_num)

---

2. 理論與計算題備考專區（佔分 25-30%）

2.1 卷積神經網絡 (CNN) 維度推導實戰

維度推導是 IOAI 第一日（紙筆輪）的核心。維度不對齊是神經網絡實作與反向傳播失敗的首要原因。

核心計算公式： $O = \lfloor \frac{I - K + 2P}{S} \rfloor + 1$ 其中 $I$ 為輸入尺寸、$K$ 為卷積核大小、$S$ 為步長、$P$ 為填充（Padding）。

實戰計算案例： 假設輸入尺寸 $I = 224$，卷積核 $K=3$，步長 $S=2$，填充 $P=1$。

1. 計算有效輸入長度：$224 - 3 + 2(1) = 223$。
2. 應用步長除法：$223 / 2 = 111.5$。
3. 取地板函數值（Floor）：$\lfloor 111.5 \rfloor = 111$。
4. 加上最終偏移量：$111 + 1 = 112$。
5. 結論： 輸出維度為 $112 \times 112$。

維度對齊與反向傳播 (Backpropagation)： 在神經網絡中，維度對齊不僅是為了前向傳播，更是為了矩陣乘法的求導規則。在反向傳播中，權重梯度 $\frac{\partial L}{\partial W}$ 的計算依賴於誤差項 $\delta$ 與前層輸入 $X$ 的外積（$\frac{\partial L}{\partial W} = \delta \cdot X^T$）。如果張量維度未嚴格對齊，鏈式法則（Chain Rule）將無法執行。

---

3. 奪冠戰術：6 小時全時程控管

3.1 六小時編程挑戰（Bohrium 平台實施計畫）

IOAI 個人賽每天長達 6 小時。雖然時長充足，但考慮到 24GB RAM 的限制與 歸一化評分機制（Score Normalized against Best Solution），效率與穩定性同樣重要。

開發時程表：

Bohrium 生存技巧： 24GB RAM 對於大型數據集非常吃緊。必須養成隨手清理內存的習慣：

import gc
del massive_dataframe
gc.collect() # 強制回收內存，防止 Kernel 崩潰

3.2 最後 30 分鐘：數據與模型打包檢查清單

• inference.py： 檢查是否包含所有自定義類別，且不依賴外部 API 或白名單外的庫。
• model.pth / model.joblib： 確認模型權重已正確導出。
• submission.csv： 格式必須與範例完全一致。
• 無網路運行驗證： 重啟 Kernel 並在不聯網狀態下完整運行一遍 inference.py。

---

4. Wing 的備考策略 (Preparation Strategy)

4.1 建立「代碼肌肉記憶」：Emergency Manual

在受限環境中，查閱文檔會浪費大量時間。請透過「盲寫（Blind Coding）」將以下代碼塊轉化為肌肉記憶。

1. PyTorch DataLoader (深度學習核心)：

from torch.utils.data import DataLoader
loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=2)

2. Scikit-learn GridSearchCV (自動調參)：

from sklearn.model_selection import GridSearchCV
param_grid = {'n_estimators': [100, 200], 'max_depth': [None, 10, 20]}
grid = GridSearchCV(RandomForestClassifier(), param_grid, cv=5, scoring='f1')

3. Matplotlib EDA (視覺化觀察)：

import matplotlib.pyplot as plt
plt.figure(figsize=(10, 6))
plt.hist(df['target']); plt.title('Distribution'); plt.show()

4.2 自動化打包腳本 (The Submission Path)

為避免手動打包遺漏文件或包含多餘數據，請準備以下自動化腳本。該腳本具備邏輯檢查功能，會自動過濾 data 或 datasets 等大文件夾。

import zipfile
import os

def package_submission(zip_name='submission.zip'):
    # 定義必須包含的文件
    required_files = ['inference.py', 'model.pth', 'requirements.txt']
    # 定義要排除的關鍵字（如原始數據集）
    excluded_keywords = ['data', 'dataset', 'tmp', '__pycache__']
    
    with zipfile.ZipFile(zip_name, 'w', zipfile.ZIP_DEFLATED) as zipf:
        for root, dirs, files in os.walk('.'):
            # 邏輯過濾：跳過包含特定關鍵字的目錄
            if any(key in root.lower() for key in excluded_keywords):
                continue
                
            for file in files:
                if file in required_files or file.endswith('.py'):
                    file_path = os.path.join(root, file)
                    zipf.write(file_path, arcname=file)
                    print(f"Successfully added: {file_path}")

if __name__ == '__main__':
    package_submission()

最後速記

結語： 金牌選手與普通選手的差別，在於對底層理論（維度對齊與微積分）的透徹理解，以及對實戰限制（內存管理與離線 API）的優雅應對。祝你在 IOAI 2025 的賽場上精確出擊。