![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2024_25 | |||||||||||||||||||||||||||||||||||||||
Asignatura | VISIÓN Y APRENDIZAJE POR COMPUTADOR | Código | 00715007 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
4.5 | Obligatoria | Primer | Segundo |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | ING.ELECTR.DE SIST. Y AUTOMATI |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | efidf@unileon.es ralar@unileon.es ealeg@unileon.es vgonc@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http://agora.unileon.es/ | |||||||||||||||||||||||||||||||||||||||
Descripción general | Este curso cubre los aspectos fundamentales de la visión artificial y el aprendizaje automático enfocándose principalmente en el reconocimiento de objetos y procesamiento de texto. Durante el curso, se explicaran los principales métodos y conceptos relacionados con procesamiento y clasificación de imágenes y aprendizaje automático. En las sesiones de laboratorio se programarán, utilizando Python, algunas de las técnicas vistas en clase. Los alumnos realizarán un Proyecto Final durante el cual explorarán en mayor profundidad un tópico por ellos elegido. | |||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Tipo A | Código | Competencias Específicas |
A13233 | 715CB9 Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades. | |
A13249 | 715TI10 Capacidad para utilizar y desarrollar metodologías, métodos, técnicas, programas de uso específico, normasy estándares de computación gráfica. | |
A13260 | 715TR1 Trabajo en equipo: Capacidad de compromiso con un equipo, hábito de colaboración y trabajo solucionando conflictos que puedan surgir. | |
A13261 | 715TR3 Toma de decisiones y solución de problemas: localización del problema, identificar causas y alternativas de solución, selección y evaluación de la más idónea. | |
Tipo B | Código | Competencias Generales y Transversales |
B3064 | 715CB10 Que los estudiantes posean las habilidades de aprendizaje que les permita continuar estudiando de un modeo que habrá de ser en gran medida autodirigida o autónomo. | |
B3065 | 715CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación. | |
B3066 | 715CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. | |
B3068 | 715CB9 Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades. | |
Tipo C | Código | Competencias Básicas |
C1 | Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. | |
C3 | Que los estudiantes sepan comunicar sus conclusiones (y los conocimientos y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades. |
Resultados de aprendizaje |
Resultados | Competencias | ||
Comprender los principales conceptos relacionados con la visión por computador y con técnicas de aprendizaje. Entender y saber programar técnicas de descripción, reconocimiento de objetos, clasificación y métodos de aprendizaje automático. Aprender a utilizar Python para programar aplicaciones sencillas de visión artificial, clasificación y aprendizaje. Ser capaz de utilizar las técnicas de visión y aprendizaje aprendidas para resolver nuevos problemas. | A13233 A13249 A13260 A13261 |
B3064 B3065 B3066 B3068 |
C1 C3 |
Contenidos |
Bloque | Tema |
Bloque I: TEORÍA | Lección 1: CONCEPTOS BÁSICOS DE VISIÓN POR COMPUTADOR Y APRENDIZAJE AUTOMÁTICO Inteligencia artificial. Conceptos básicos de Aprendizaje Automático, Visión Artificial y Procesamiento del Lenguaje Natural. Lección 2. APRENDIZAJE AUTOMÁTICO Clasificación Supervisada (paramétrica y no paramétrica). Comités de clasificación (ensemble learning). Evaluación del clasificador: métricas y técnicas. Aprendizaje sin supervisión. Lección 3. CLASIFICACIÓN DE TEXTOS Introducción. Pasos a seguir en clasificación de texto. Preprocesamiento. Descripción. Clasificación. Clasificación de Texto con Deep Learning. Lección 4. APRENDIZAJE PROFUNDO Concepto de aprendizaje profundo. Redes Neuronales y sus partes. Función de activación. Mejoramiento. Función de pérdida. Regularización. Underfitting y Overfitting. Pasos para resolver un problema en Machine Learning. Lección 5. CLASIFICACIÓN DE IMÁGENES Introducción. Descripción. Métodos de aprendizaje automático para la clasificación de imágenes. Clasificación de imágenes basada en aprendizaje profundo |
Bloque II: PRÁCTICAS | Las sesiones prácticas se llevarán a cabo utilizando Python 3.X. Un entorno con este lenguaje se encontrará disponible en el laboratorio aunque se recomienda que el alumno lo instale en su propio ordenador. Las sesiones prácticas se orientarán a aprender inicialmente los fundamentos de Python. Posteriormente, diversas librerías relacionadas con visión y aprendizaje se aplicarán en problemas relacionados con la descripción de imágenes y su clasificación. |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Resolución de problemas/ejercicios en el aula ordinaria | 12 | 0 | 12 | ||||||
Prácticas en laboratorios | 40.5 | 0 | 40.5 | ||||||
Trabajos | 25 | 0 | 25 | ||||||
Sesión Magistral | 31 | 0 | 31 | ||||||
Pruebas de desarrollo | 4 | 0 | 4 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Resolución de problemas/ejercicios en el aula ordinaria | Ejercicios resueltos en el encerado y también mediante diapositivas y ejemplos. También se podrán dejar ejercicios en Agora, con soluciones, la mayoría de las veces también con ejemplos resueltos en Excel. |
Prácticas en laboratorios | Prácticas guiadas para la programación y evaluación de métodos y técnicas explicadas en clase. Las prácticas se realizarán siguiendo los guiones dejados en Agora. Las dudas se resolverán consultando al profesor. Se entregará su solución en una tarea habilitada para ello en Agora. |
Trabajos | Cada alumno estudiará un tema específico. Realizará una explicación general de dicho tema y se centrará en algún aspecto concreto, siguiendo la estructura que se indicará a través del Ágora. |
Sesión Magistral | Sesiones teóricas en el aula utilizando diapositivas. También se podrán dejar presentaciones o documentos correspondientes a los materiales de cada lección en Agora y se pondrá un foro de dudas. Las lecciones podrán ir acompañadas de vídeos relacionados con los conceptos presentados, algunos grabados por los profesores y otros procedentes de recursos de internet que los profesores consideren especialmente apropiados. Algunas lecciones irán acompañadas de un cuestionario con preguntas, que podrán ser tanto teóricas como prácticas, cuyas entregas serán evaluables. Se podrán utilizar cursos de la plataforma Datacamp o cursos similares para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Trabajos | El alumno elegirá un tema de los propuestos por el profesor y tendrá que estudiarlo y defenderlo. Se valorará el material que elabore y la defensa que realice de dicho tema. El tema puede tener una parte práctica. Además, para superar el curso, es condición necesaria realizar correctamente todas las entregas que se soliciten y superar además un examen de validación. |
50 | |
Pruebas de desarrollo | La asignatura se evaluará mediante un examen final y a través de un examen de validación para el trabajo presentado. El examen final consistirá en cuestiones sobre los conceptos teóricos vistos en las clases y en los laboratorios. |
25 | |
Otros | Se evaluarán las actividades presentadas por los alumnos. El alumno deberá entregar todas las actividades indicadas como obligatorias que serán evaluadas por el profesorado. Para aprobar el curso, debe entregarse correctamente al menos el 50% de las actividades obligatorias. También se valorarán las actividades voluntarias entregadas por el alumno. |
25 | |
Otros comentarios y segunda convocatoria | |||
Las entregas retrasadas sufrirán una penalización en la nota. Los alumnos que no superen alguna de las asignaciones (homework) o el proyecto final (Final Project) en la evaluación continua, podrán entregar lo que les falte en el periodo correspondiente a la primera convocatoria ordinaria. Para superar la asignatura en la segunda convocatoria ordinaria, el alumno deberán entregar las asignaciones solicitadas y el proyecto final (homeworks y FinalProject) que será objeto de examen Para aprobar la asignatura es necesario entregar correctamente al menos el 50% de las actividades obligatorias. El alumno puede compensar la nota obtenida en algunas partes principales (Proyecto, Examen, Sesiones de laboratorio y asignaciones) si es superior a 3,0. No obstante, la nota global para aprobar la asignatura debe ser de 5,0 sobre 10,0. |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
|
|
Complementaria | |
Pajares, G y de la Cruz, J.M. (2001). Visión por Computador. Ra-ma. González, J. (2000). Visión por Computador. Paraninfo. González, R. C. y Woods, R. E. (1996). Tratamiento digital de imágenes. Addison-Wesley /Diaz de Santos. Shapiro, L. & Stockman G. (2001). Computer Vision. Prentice-Hall. Parker, J.R. (1997). Algorithms for image processing and computer vision. John Wiley & Sons, Inc. Trucco, E. & Verri, A. (1998). Introductory Techniques for 3-D Computer Vision. Prentice-Hall. Maravall, D. (1993). Reconocimiento de formas y visión artificial. Ra-ma Davies, E.R. (1996). Machine Vision: Theory, Alforithms, Practicalities. Academic Press. |
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente | ||
|
Otros comentarios | |
Se recomienda haber cursado previamente el curso de Visión Artificial que se imparte en el 8º semestre del Grado en Ingeniero en Informática, Universidad de Leon. Cualquier curso recibido sobre Visión por Computador o Aprendizaje Automático ayudará al estudiante a seguir esta materia. Se recomienda un nivel medio de programación, a ser posible en Python. |