Titulació | Tipus | Curs |
---|---|---|
Intel·ligència Artificial / Artificial Intelligence | OT | 3 |
Intel·ligència Artificial / Artificial Intelligence | OT | 4 |
Podeu consultar aquesta informació al final del document.
Haver cursat les assignatures de Fonaments d'Aprenentatge Automàtic, Fonaments de Programació, Fonaments de Visió per Computador, Probabilitat i Estadística, i Xarxes Neuronals i Aprenentatge Profund.
Es recomana que l'alumne tingui coneixements i capacitats de:
Aproximadament cada dècada hi ha un tsunami tecnològic que transforma múltiples indústries. La Intel·ligència Artificial (IA) és aquesta onada que arrasa al món tecnològic actual. Si alguna vegada t'has preguntat:
Si hem despertat la seva curiositat, aquest curs és el que necessites. En aquest curs apendrem sobre temes en Visió per Ordinador com Seguiment d'Objectes, Classificació d'Imatges, Medicina Personalitzada, Detecció de Cares, Flux Òptic, estimació d'Pose Humana i molts més.
A diferència d'altres cursos de visió per ordinador, aquest curs s'acosta a la visió per ordinador de manera més pràctica, experiencial i intuïtiva. El seu principal component és un conjunt de projectes que ha de ser desenvolupats pels estudiants repartits en equips. Tot el que es necessita és un coneixement pràctic del llenguatge de programació Python.
Utilitzarem python que permet incorporar diferents biblioteques de visió per ordinador. L’utilitzen milers d’empreses, productes i dispositius i es prova cada dia per obtenir escalabilitat i rendiment. A més apendrem a dissenyar i adaptar xarxes específiques i a escollir quin és el mètode de processat més adient segons els requeriments i restriccions de cada aplicació.
En resum, Visió i Aprenentatge és una assignaturade caràcter eminentment pràctic i interdisciplinar que se situa en el pont que hi ha entre la intel·ligència artificial i el món real i que pretén recórrer aquest pont en ambdues direccions.
1. Introducció a l'Aprenentatge Computacional en Visió per Computador
2. Classificació d'Imatges
3. Detecció d'Objectes
4. Segmentació de Regions
5. Indexació i Recuperació
6. Generació d'Imatges
7. Aprenentatge Multimodal
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Classes de teoria | 10 | 0,4 | 5, 6, 9, 10, 11, 13 |
Tipus: Supervisades | |||
Taller de treball | 20 | 0,8 | 1, 2, 4, 8, 9, 10, 11, 13 |
Tipus: Autònomes | |||
Treball personal | 115 | 4,6 | 1, 2, 3, 4, 6, 7, 8, 12, 13 |
La gestió de la docència de l'assignatura es farà a través del gestor documental Caronte (http://caronte.uab.cat/), que servirà com a eina de gestió els equips de treball, fer els lliuraments corresponents, veure les notes, comunicar-vos amb els professors, etc. Per poder-lo utilitzar cal fer els següents passos:
El curs seguirà una metodologia docent d'aprenentatge anomenada Aprenentatge Basat en Projectes (ABP). La metodologia ABP pretén potenciar i motivar a l'estudiant en el seu aprenentatge. Es formaran grups d'entre 5 i 6 estudiants als que se'ls encomanarà la realització d'un conjunt de projectes (de mida mitjana) al llarg del semestre. Es farà un seguiment setmanal i tutorització tant grupal com individual dels estudiants
Els projectes són fixats pel professorat de manera que compleixi les següents condicions: ser el més real possible; ser tractable mitjançant eines elementals; no tenir associat un algorisme de solució standard.
D'altra banda, és essencial entendre que no es tracta pas de trobar un algorisme que funcioni en el 100 x 100 dels casos —tot sovint no existeix tal cosa— sinó simplement de “donar-hi una proposta de solució raonable”.
Els projectes els han de desenvolupar cada equip amb la màxima autonomia possible. Cada equip tindrà assignat un tutor que en seguirà l'evolució però enprincipi s'abstindrà d'imposar les seves idees. D'altra banda, l'estudiant ha de tenir clar que no es tracta de buscar la ‘solució’ del problema en altres llocs, sino de fer una aportació original. Això no vol dir que s'hagi de renunciar a la informació que pugui existir en la bibliografia o a Internet; però quan se'n faci ús cal tenir informat el professor i explicar-ho en la memòria.
La realització del projecte ha de acabar en un programa i una memòria final. A més d'entregar-la en forma escrita, els resultats d'aquesta memòria seran objecte d'una exposició oral. Una i altra, memòria escrita i exposició oral, han d'anar dirigides principalment a l'entitat, segurament hipotètica, que hauria proposat el problema. Per regla general, els tecnicismes seran relegats a apartats concrets de la memòria escrita.
En les presentacions orals dels projectes s'espera que hi assisteixin tota la classes, i que aquests intervinguin mitjançant preguntes i observacions.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Nota Grupal | 60% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13 |
Nota Individual | 40% | 5 | 0,2 | 1, 4, 5, 6, 8, 9, 10, 11, 13 |
L’assignatura té 2 acyivitats d’avaluació:
Avaluació dels Projectes
L’assignatura té 3 projectes de dificultat creixent. Al final de cada projecte els estudiants entregaran una memòria del treball realitzat que seran avaluats per part dels professors de l'assignatura siguin o no els tutors. Per a l'avaluació s'utilitzaran els següents INSTRUMENTS i ACTIVITATS:
Donat que els projectes es desenvolupen al llarg de tot el curs, la seva avaluació té un caràcter continuat, i el seu resultat final no és recuperable.
Proba Individual
Al final del curs es farà una proba escrita individual on l’estudiant haurà de demostrar que ha entès els continguts i metodologies usades en els projectes realitzats.
Qualificacions
La nota de l’assignatura és la Mitjana ponderada entre la nota dels projectes i la nota de la proba individual:
Nota Final = 0,6 * Nota Projectes + 0,4 * Nota Individual
La nota dels projectes sortirà del la mitjana dels 3 projectes realitzats. Cal tenir un 5 en la Nota Individual per fer la mitjana. L’assignatura queda aprobada si la Nota Final >=5
Per a distingir entre ‘suspens’ i ‘no presentat’ es fixa una data límit per a que els estudiants es puguin donar de baixa de l'avaluació, en el qual cas apareixeran com a ‘no presentats’. Per a donar-se de baixa caldrà comunicar-ho al professor, per escrit o mitjançant correu eletrònic, i obtenir un acús de rebuda.
Si es demostra que part del contingut del projecte ha estat plagiat i/o elaborat per una tercera persona diferent de l'estudiant i/o generat per IA, es suspendrà automàticament.
Avaluació Única: Aquesta assignatura no preveu el sistema d’avaluació única.
Ús d’IA. Les eines d’IA és podrán usar com eines de suport a l’aprenetatge (per exemple, per millorar la redacció, l’estil, la claredat expositiva, la correcció lingüística /oi per l'obtenció d'assistència en aspectes tècnics). En cap cas podrán substituir i/o suolantar l’activitat d’aprenentatge de l’estudiant, ni la seva adquisición dels coneixements específics de l’assignatura.
No és acceptable utilitzar eines d’intel·ligència artificial per generar continguts del treball que estan sotmesos a avaluació. Les tasques/activitats evaluables sospitoses d’haver estat generades per una IA enlloc de per l’estudiant serán considerades com una còpia i serán evaluades amb un 0.
- Richard Szeliski, Computer Vision: Algorithms and Applications, 2nd Edition. Springer (Texts in computer Science) 2021. (http://szeliski.org/Book/)
- Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. (http://www.deeplearningbook.org)
- Adrian Kaehler, Gary Bradsky, Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library, O'Reilly, 2016.
- Aurélien Géron, Hands-On Machine Learning with Scikit-Learn & TensorFlow, O'Reilly, 2017.
- Eli Stevens, Luca Antiga, Thomas Viehmann, Deep learning with Pytorch, Manning Publications, 2020 (https://pytorch.org/assets/deep-learning/Deep-Learning-with-PyTorch.pdf)
- François Chollet, Deep learning with Python, Manning Publications, 2021 (https://github.com/fchollet/deep-learning-with-python-notebooks)
Per desenvolupar diferents sistemes de visió per computador, tan a pràctiques com a problemes, s'utilitzarà el llenguatge de programació Python, treballant amb Jupyter Notebooks.
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
Nom | Grup | Idioma | Semestre | Torn |
---|---|---|---|---|
(PAUL) Pràctiques d'aula | 711 | Anglès | primer quadrimestre | tarda |
(PLAB) Pràctiques de laboratori | 711 | Anglès | primer quadrimestre | tarda |
(TE) Teoria | 71 | Anglès | primer quadrimestre | tarda |