Guia docente

DATOS IDENTIFICATIVOS

2024_25

Asignatura

VISIÓN ARTIFICIAL

Código

00717028

Enseñanza

0717 - GRADO INGENIERÍA DATOS INTELIGENCIA ARTIFICIAL

Descriptores

Cr.totales

Tipo

Curso

Semestre

Obligatoria

Tercero

Segundo

Idioma

Castellano

Prerrequisitos

Departamento

ING.ELECTR.DE SIST. Y AUTOMATI

Responsable

FIDALGO FERNANDEZ , EDUARDO

Correo-e

efidf@unileon.es
ealeg@unileon.es

Profesores/as

ALEGRE GUTIÉRREZ , ENRIQUE

FIDALGO FERNANDEZ , EDUARDO

Web

http://agora.unileon.es

Descripción general

En esta asignatura de Visión Artificial se revisarán fundamentos y aplicaciones de los sistemas que permiten a las máquinas extraer información de imágenes y video. Se abordan temas como la extracción de características, segmentación, clasificación, detección y reconocimiento de objetos, entre otros, tanto en técnicas tradicionales como utilizando aprendizaje profundo. A lo largo del curso, se consolidarían los contenidos teóricos con prácticas donde se implementarán algoritmos y se experimentará con conjuntos de datos para resolver problemas de visión artificial en diferentes campos

Tribunales de Revisión

Tribunal titular
Cargo	Departamento	Profesor
Presidente	ING.ELECTR.DE SIST. Y AUTOMATI	ALAIZ RODRIGUEZ , ROCIO
Secretario	ING.ELECTR.DE SIST. Y AUTOMATI	PEREZ LOPEZ , DANIEL
Vocal	ING.ELECTR.DE SIST. Y AUTOMATI	DIEZ DIEZ , ANGELA

Tribunal suplente
Cargo	Departamento	Profesor
Presidente	ING.ELECTR.DE SIST. Y AUTOMATI	ALAIZ MORETON , HECTOR
Secretario	ING.ELECTR.DE SIST. Y AUTOMATI	FOCES MORAN , JOSE MARIA
Vocal	ING.ELECTR.DE SIST. Y AUTOMATI	RIESCO PELAEZ , FELIX

Competencias

Código
A18976	717CE21 Conocimiento y capacidad de aplicación de los conceptos, metodologías y tecnologías de procesado de imagen y vídeo en diferentes formatos.
B5800	0717CG1 Conocimiento de materias básicas científicas y técnicas que capaciten para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones.
B5802	0717CG3 Capacidad para concebir, diseñar, analizar, implementar y utilizar aplicaciones para el análisis de datos y la extracción de conocimiento a partir de distintas fuentes de datos.
B5806	0717CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones.
B5807	0717CT2 Capacidad para la interpretación de resultados con iniciativa, creatividad y razonamiento crítico y autocrítico.
B5809	0717CT4 Capacidad para el aprendizaje autónomo e individual en cualquier campo de la ingeniería en el ámbito de la Ingeniería de datos y la inteligencia artificial.
C2	CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
C4	CMECES4 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
C5	CMECES5 Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Resultados de aprendizaje

Resultados	Competencias
Conoce y aplica los conceptos, metodologías y tecnologías de procesado de imagen y vídeo en diferentes formatos	A18976	B5800	C2 C4
Domina las principales operaciones de preprocesamiento, segmentación y descripción de imágenes y objetos en imágenes	A18976	B5800	C2 C4
Conoce y sabe aplicar técnicas y modelos que permitan la clasificación de imágenes o vídeos o el reconocimiento y la recuperación de objetos presentes en imágenes.		B5802 B5806 B5807	C2
Analiza, sintetiza y resuelve problemas relacionados con la Visión Artificial	A18976	B5800 B5806 B5807	C2 C5
Transmite con corrección información, ideas, problemas y soluciones.	A18976	B5809	C4

Contenidos

Bloque	Tema
	1. Introducción a la Visión por Computador. 2. Etapas en Visión por Computador. 3. Redes Neuronales Convolucionales 4. Modelos secuenciales 5. Detección y reconocimiento de objetos 6. Segmentación de imágenes 7. Modelos de aprendizaje no supervisados y autosupervisados 8. Modelos generativos 9. Modelos de Visión y Lenguaje

Planificación

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Resolución de problemas/ejercicios en el aula ordinaria	4	2	6

Presentaciones/exposiciones	4	16	20
Practicas a través de TIC en aulas informáticas	26	26	52
Trabajos	6	18	24
Autónomas	0	8	8

Sesión Magistral	20	20	40


(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías

Metodologías ::

	descripción
Resolución de problemas/ejercicios en el aula ordinaria	Realización de ejercicios usando diversos medios como puede ser una tablet, el encerado o también mediante diapositivas y ejemplos utilizando Excel. También se podrán dejar ejercicios en Agora, con soluciones, la mayoría de las veces también con ejemplos resueltos en Excel.
Presentaciones/exposiciones	Los estudiantes explicarán durante las clases el proyecto realizado utilizando una presentación preparada previamente siguiendo las indicaciones proporcionadas por el profesor.
Practicas a través de TIC en aulas informáticas	Las prácticas de la asignatura se realizarán utilizando Python (3.X). Disponible en el laboratorio F3 aunque se recomienda que cada estudiante lo instale también en su ordenador personal. Se recomienda usar Python 3.X a partir de la instalación del entorno Anaconda (https://www.anaconda.com/). Preferiblemente se utilizará el IDE Spyder, incluido en dicha instalación. 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	El alumno realizará un proyecto durante el curso que estará basado en los contenidos teóricos explicados en las clases y podrá aprovechar alguna de las prácticas realizadas en el laboratorio.
Autónomas	Se le propondrá al alumno la realización de cursos online, típicamente en plataformas MOOC, de muy corta duración para reforzar completar la formación recibida.
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. 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. Previsiblemente se utilizarán cursos de la plataforma Datacamp, o cursos similares, para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios.

Tutorías

Resolución de problemas/ejercicios en el aula ordinaria

Presentaciones/exposiciones

Practicas a través de TIC en aulas informáticas

Trabajos

Sesión Magistral

descripción

Las preguntas al profesor pueden hacerse en línea o en persona.
Las consultas en línea se realizarán por correo electrónico, utilizando un foro general de dudas o, alternativamente, los foros habilitados para cada actividad específica.
Para las tutorías presenciales deberá concertarse cita previa por correo electrónico o a través del foro habilitado al efecto en Ágora.
Las horas de tutoría presencial también podrán realizarse por videoconferencia.

Evaluación

	descripción	calificación
Practicas a través de TIC en aulas informáticas	La entrega de las prácticas que se indiquen como obligatorias, así como las actividades complementarias indicadas como obligatorias, se valorarán con un 10% de la nota total.	10
Trabajos	El alumno realizará un proyecto durante la asignatura que será evaluado mediante las entregas y presentaciones realizadas y sus correspondientes exámenes de validación escritos. Es obligatorio realizar el proyecto y superar su evaluación para aprobar el curso. Dicho proyecto tendrá un valor del 30% de la nota del curso y se valorará tanto mediante presentaciones y exámenes de validación escritos. De ese 30%, el 15% corresponde a la nota de las presentaciones y el otro 15% a la nota del examen o exámenes de validación.	30
Autónomas	Algunas prácticas y otras actividades que se indiquen tendrán carácter voluntario y tendrán un valor del 10% de la nota del curso. Podrá superarse el curso sin entregar ninguna de las actividades voluntarias aunque no se obtendrá la nota correspondiente a la realización de las mismas.	10
Sesión Magistral	Los contenidos impartidos en las clases teóricas, tanto conceptos teóricos como ejercicios, se valorarán mediante exámenes escritos suponiendo dichos exámenes el 50% de la nota del curso.	50

Otros comentarios y segunda convocatoria
Podrá superarse el curso sin entregar ninguna de las actividades voluntarias aunque no se obtendrá la nota correspondiente a la realización de las mismas. Para superar el curso es necesario obtener un 50% de la nota máxima de todas las actividades obligatorias, que son todas las indicadas anteriormente excepto las actividades señaladas como voluntarias. Las condiciones para superar el curso en segunda convocatoria son las mismas que en primera convocatoria.

Fuentes de información

Acceso a la Lista de lecturas de la asignatura

Básica
	Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola, (2023). Dive into Deep Learning. Cambridge University Press. Mohamed Elgendy. (2020). Deep Learning for Vision Systems. Manning Publications. V. Kishore Ayyadevara, Yeshwanth Reddy. (2020). Modern Computer Vision with PyTorch. Packt Publishing. Chollet, F. (2022). Deep learning with Python. 2nd Edition. Manning Publications. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Adaptive Computation and Machine Learning series) (Illustrated Edition). MIT Press.
Complementaria
	Szeliski, R. (2010). Computer Vision: Algorithms And Applications. Springer. Davies, E. R. (2012). Computer Vision: Principles, Algorithms, Applications, Learning. Springer.

Recomendaciones

Asignaturas que se recomienda haber cursado previamente

ÁLGEBRA LINEAL II / 00717011

MODELIZACIÓN MATEMÁTICA I / 00717013

APRENDIZAJE AUTOMÁTICO / 00717014

APRENDIZAJE AUTOMÁTICO AVANZADO / 00717019