Guia docente
DATOS IDENTIFICATIVOS 2023_24
Asignatura VISIÓN Y APRENDIZAJE POR COMPUTADOR Código 00715007
Enseñanza
0715 - MASTER UNIV. INGENIERIA INFORMATICA
Descriptores Cr.totales Tipo Curso Semestre
4.5 Obligatoria Primer Segundo
Idioma
Ingles
Prerrequisitos
Departamento ING.ELECTR.DE SIST. Y AUTOMATI
Responsable
FIDALGO FERNANDEZ , EDUARDO
Correo-e efidf@unileon.es
ralar@unileon.es
ealeg@unileon.es
vgonc@unileon.es
Profesores/as
ALAIZ RODRÍGUEZ , ROCÍO
ALEGRE GUTIÉRREZ , ENRIQUE
GONZÁLEZ CASTRO , VICTOR
FIDALGO FERNANDEZ , EDUARDO
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
Tribunal titular
Cargo Departamento Profesor
Presidente ING.MECANICA,INFORMAT.AEROESP. MATELLAN OLIVERA , VICENTE
Secretario ING.ELECTR.DE SIST. Y AUTOMATI FOCES MORAN , JOSE MARIA
Vocal ING.ELECTR.DE SIST. Y AUTOMATI GARCIA RODRIGUEZ , ISAIAS
Tribunal suplente
Cargo Departamento Profesor
Presidente ING.MECANICA,INFORMAT.AEROESP. FERNANDEZ LLAMAS , CAMINO
Secretario ING.MECANICA,INFORMAT.AEROESP. RODRIGUEZ DE SOTO , ADOLFO
Vocal ING.ELECTR.DE SIST. Y AUTOMATI RODRIGUEZ SEDANO , FRANCISCO JESUS

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. 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 4. CLASIFICACIÓN DE IMÁGENES
Introducción. Descripción. Métodos de aprendizaje automático para la clasificación de imágenes. Clasificación de imágenes basada en aprendizaje profundo

Lección 5. CLASIFICACIÓN DE TEXTOS
Introducción. Pasos a seguir en clasificación de texto. Preprocesamiento. Descripción. Clasificación. Clasificación de Texto con Deep Learning.
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
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
 
Trabajos
Prácticas en laboratorios
Resolución de problemas/ejercicios en el aula ordinaria
Sesión Magistral
descripción
Las consultas al profesor podrán realizarse on-line o de forma presencial.
Las consultas on-line se realizarán mediante correo electrónico, utilizando un foro general de dudas o bien, los foros dispuestos para cada actividad específica.
Para las tutorías presenciales se solicitará cita previa mediante el foro dispuesto para ello en el Agora.

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
Richard Szeliski. Computer Vision: Algorithms and Applications, Springer, 2011
(pdf available online: http://szeliski.org/Book/)

Pattern Classification (2nd Edition), by R.O. Duda, P.E. Hart, and D.G. Stork, Wiley-Interscience, 2000.

Alegre, E., Sánchez, L., Fernández, R.A. y Mostaza, J.C. (2003). Procesamiento Digital de Imagen: Fundamentos y Prácticas con Matlab. Secretariado de Publicaciones y Medios Audiovisuales de la Universidad de León.


González, R. C. y Woods, R. E. (2008). Digital Image Processing (Third Edition). Prentice Hall.

Introduction to Machine Learning. 2nd Edition. Ethem Alpaydin. The MIT Press, 2010.

Principles of Data Mining, Max Bramer, Springer-Verlag, 2007,

Combining Pattern Classifiers: Methods and Algorithms, L. Kuncheva, Wiley, Second Edition, 2014
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
INTRODUCCION A LOS SISTEMAS INTELIGENTES / 00709016
 
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.