Titulación | Tipo | Curso |
---|---|---|
Inteligencia Artificial / Artificial Intelligence | OT | 3 |
Inteligencia Artificial / Artificial Intelligence | OT | 4 |
Puede consultar esta información al final del documento.
Haber cursado las asignaturas de Fundamentos de Aprendizaje Automático, Fundamentos de Programación, Fundamentos de Visión por Computador, Probabilidad y Estadística, y Redes Neuronales y Aprendizaje Profundo.
Se recomienda que el alumno tenga conocimientos y capacidades de:
Aproximadamente cada década existe un tsunami tecnológico que transforma múltiples industrias. La Inteligencia Artificial (IA) es esta ola que arrasa en el mundo tecnológico actual. Si alguna vez te has preguntado:
Si hemos despertado su curiosidad, este curso es lo que necesitas. En este curso aprenderemos sobre temas en Visión por Ordenador como Seguimiento de Objetos, Clasificación de Imágenes, Medicina Personalizada, Detección de Caras, Flujo Óptico, estimación de Pose Humana y muchos más.
A diferencia de otros cursos de visión por ordenador, este curso se acerca a la visión por ordenador de forma más práctica, experiencial e intuitiva. Su principal componente es un conjunto de proyectos que deben ser desarrollados por los estudiantes repartidos en equipos. Todo lo necesario es un conocimiento práctico del lenguaje de programación Python.
Utilizaremos Python que permite incorporar diferentes bibliotecas de visión por ordenador. Lo utilizan miles de empresas, productos y dispositivos y se prueba cada día para obtener escalabilidad y rendimiento. Además aprenderemos a diseñar y adaptar redes específicas ya escoger cuál es el método de procesado más adecuado según los requerimientos y restricciones de cada aplicación.
En resumen, Visión y Aprendizaje es una asignatura de carácter eminentemente práctico e interdisciplinar que se sitúa en el puente que existe entre la inteligencia artificial y el mundo real y que pretende recorrer este puente en ambas direcciones.
1. Introducción al Aprendizaje Computacional en Visión por Computador
2. Clasificación de Imágenes
3. Detección de Objetos
4. Segmentación de Regiones
5. Indexación y Recuperación
6. Generación de Imágenes
7. Aprendizaje Multimodal
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de teoria | 10 | 0,4 | 5, 6, 10, 11, 9, 13 |
Tipo: Supervisadas | |||
Taller de trabajo | 20 | 0,8 | 2, 1, 4, 8, 10, 11, 9, 13 |
Tipo: Autónomas | |||
Trabajo personal | 115 | 4,6 | 2, 1, 3, 4, 6, 7, 8, 12, 13 |
La gestión de la docencia de la asignatura se realizará a través del gestor documental Caronte (http://caronte.uab.cat/), que servirá como herramienta de gestión a los equipos de trabajo, realizar las entregas correspondientes, ver las notas , comunicarse con los profesores, etc. Para poder utilizarlo hay que dar los siguientes pasos:
El curso seguirá una metodología docente de aprendizaje llamada Aprendizaje Basado en Proyectos (ABP). La metodología ABP pretende potenciar y motivar al estudiante en su aprendizaje. Se formarán grupos de entre 5 y 6 estudiantes a los que se les encomendará la realización de un conjunto de proyectos (de tamaño medio) a lo largo del semestre. Se realizará un seguimiento semanal y tutorización tanto grupal como individual de los estudiantes
Los proyectos son fijados por el profesorado de forma que cumpla las siguientes condiciones: ser lo más real posible; ser tratable mediante herramientas elementales; no tener asociado un algoritmo de solución estándar.
Por otra parte, es esencial entender que no se trata de encontrar un algoritmo que funcione en el 100 x 100 de los casos —a menudo no existe tal cosa— sino simplemente de “darle una propuesta de solución razonable”.
Los proyectos deben desarrollarse cada equipo con la máxima autonomía posible. Cada equipo tendrá asignado un tutor que seguirá su evolución pero en principio se abstendrá de imponer sus ideas. Por otra parte, el estudiante debe tener claro que no se trata de buscar la solución del problema en otros lugares, sino de hacer una aportación original. Esto no significa que haya que renunciar a la información que pueda existir en la bibliografía o en Internet; pero cuando se haga uso es necesario tener informado al profesor y explicarlo en la memoria.
La realización del proyecto debe terminar en un programa y una memoria final. Además de entregarla en forma escrita, los resultados de esta memoria serán objeto de una exposición oral. Una y otra, memoria escrita y exposición oral, deben ir dirigidas principalmente a la entidad, seguramente hipotética, que habría propuesto el problema. Por regla general, los tecnicismos serán relegados a apartados concretos de la memoria escrita.
En las presentaciones orales de los proyectos se espera que asistan toda la clase, y que éstos intervengan mediante preguntas y observaciones.
Nota: se reservarán 15 minutos de una clase, dentro del calendario establecido por el centro/titulación, para la complementación por parte del alumnado de las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura /módulo.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Nota Grupal | 60% | 0 | 0 | 2, 1, 3, 4, 5, 6, 7, 10, 11, 9, 12, 13 |
Nota Individual | 40% | 5 | 0,2 | 2, 4, 5, 6, 8, 10, 11, 9, 13 |
La asignatura tiene 2 acyividades de evaluación:
Evaluación de los Proyectos
La asignatura tiene 3 proyectos de dificultad creciente. Al final de cada proyecto los estudiantes entregarán una memoria del trabajo realizado que serán evaluados por parte de los profesores de la asignatura sean o no los tutores. Para la evaluación se utilizarán los siguientes INSTRUMENTOS y ACTIVIDADES:
Dado que los proyectos se desarrollan a lo largo de todo el curso, su evaluación tiene un carácter continuado, y su resultado final no es recuperable.
Proba Individual
Al final del curso se hará una prueba escrita individual donde el estudiante deberá demostrar que ha entendido los contenidos y metodologías usadas en los proyectos realizados.
Calificaciones
La nota de la asignatura es la Media ponderada entre la nota de los proyectos y la nota de la prueba individual:
Nota Final = 0,6 * Nota Proyectos + 0,4 * Nota Individual
La nota de los proyectos saldrá de la media de los 3 proyectos realizados. Hay que tener un 5 en la Nota Individual para hacer la media. La asignatura queda aprobada si la Nota Final >=5
Para distinguir entre 'suspenso' y 'no presentado' se fija una fecha límite para que los estudiantes se puedan dar de baja de la evaluación, en cuyo caso aparecerán como 'no presentados'. Para darse de baja será necesario comunicarlo al profesor, por escrito o mediante correo electrónico, y obtener un acús de recibo.
Si se demuestra que parte del contenido del proyecto ha sido plagiado y/o elaborado por una tercera persona diferente del estudiante y/o generado por IA, se suspenderá automáticamente.
Evaluación Única: Esta asignatura no contempla el sistema de evaluación única.
Uso de IA. Las herramientas de IA se podrán usar como herramientas de apoyo al aprendizaje (por ejemplo, para mejorar la redacción, el estilo, la claridad expositiva, la corrección lingüística /oye para la obtención de asistencia en aspectos técnicos). En ningún caso podrán sustituir y/o suplantar la actividad de aprendizaje del estudiante, ni su adquisición de los conocimientos específicos de la asignatura.
No es aceptable utilizar herramientas de inteligencia artificial para generar contenidos del trabajo que están sometidos a evaluación. Las tareas/actividades evaluables sospechosas de haber sido generadas por una IA en lugar de por el estudiante serán consideradas como una copia y serán evaluadas con 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)
Para desarrollar diferentes sistemas de visión por computador, tanto en prácticas como en problemas, se utilizará el lenguaje de programación Python, trabajando con Jupyter Notebooks.
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
Nombre | Grupo | Idioma | Semestre | Turno |
---|---|---|---|---|
(PAUL) Prácticas de aula | 711 | Inglés | primer cuatrimestre | tarde |
(PLAB) Prácticas de laboratorio | 711 | Inglés | primer cuatrimestre | tarde |
(TE) Teoría | 71 | Inglés | primer cuatrimestre | tarde |