Aprendizagem Computacional Avançada para Visão Computacional
Áreas Científicas |
Classificação |
Área Científica |
CNAEF |
Ciências informáticas |
Ocorrência: 2022/2023 - 2S
Ciclos de Estudo/Cursos
Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
MVCOMP |
4 |
Plano de Estudos Oficial |
1 |
- |
6 |
42 |
162 |
Língua de trabalho
Inglês
Obs.: Lecionada por docentes das Universidades de Vigo e da Corunha
Objetivos
Esta unidade curricular tem por objetivo dar a conhecer aos estudantes técnicas avançadas de aprendizagem computacional, constituindo uma extensão da unidade curricular de aprendizagem computacional estudada no semestre anterior.
Resultados de aprendizagem e competências
Capacidade de desenvolver sistemas de aprendizagem computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas.
Conhecer, aplicar e avaliar modelos avançados de aprendizagem computacional.
Conhecer técnicas de aprendiz agem profunda, com abordagens de treino ‘end-to-end’, e minimizando o uso de dados etiquetados.
Resolver aplicações utilizando métodos de autoaprendizagem.
Adquirir capacidades de aprendizagem que permitam continuar a estudar de uma forma autónoma.
Capacidade de trabalhar em equipa, organização e planeam ento.
Capacidade de analisar e sintetizar conhecimento.
Modo de trabalho
À distância
Programa
Aprendizagem profunda. Modelos profundos.
Redes neuronais convolucionais profundas. Técnicas de regularização. Técnicas de otimização. Treino ‘end-to-end’.
Automodeladores. Modelos generativos. Interpretabilidade. Modelos esparsos. Aplicações em visão por computador .
Aprendizagem com uso eficiente de dados. Aprendizagem fracamente supervisionada (aprendizagem semisupervisionada; aprendizagem zero-shot; aprendizagem one-shot; classificação open-class). Aplicações em visão por computador.
Modelos para dados sequenciais. Modelos de Markov Escondidos. Redes Neuronais recorrentes. Aplicações.
Reinforcement Learning. Aplicações em visão por computador.
Bibliografia Obrigatória
Ian Goodfellow, Yoshua Bengio, Aaron Courville;
Deep Learning, MIT Press, 2017
Edition. Richard S. Sutton and A ndrew G. Barto.;
Reinforcement Learning, An Introduction., MIT Press, 2017
Sergios Theodoridis;
Machine Learning: A Bayesian and Optimization Perspective., Academic Press, 2015
Métodos de ensino e atividades de aprendizagem
Palestras participativas, seminários e conferências, aprendizagem com base na resolução de casos práticos e projetos, trabalho autônomo e estudo independente pelos estudantes, trabalho em grupo e aprendizagem cooperativa.
Os assuntos serão abordados em palestras participativas, onde os estudantes terão a oportunidade de implementar métodos por si próprios. Durante a parte da palestra, os tópicos do curso serão apresentados e discutidos. Os períodos práticos / laboratoriais serão usados para resolver exercícios e para o desenvolvimento dos trabalhos de avaliação.
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Participação presencial |
30,00 |
Exame |
35,00 |
Trabalho prático ou de projeto |
35,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Estudo autónomo |
40,00 |
Frequência das aulas |
42,00 |
Apresentação/discussão de um trabalho científico |
10,00 |
Trabalho escrito |
20,00 |
Trabalho laboratorial |
50,00 |
Total: |
162,00 |
Obtenção de frequência
A definir.
Fórmula de cálculo da classificação final
Os estudantes receberão tarefas de casa individuais semanais durante toda a duração da unidade curricular, envolvendo exercícios, leituras e sumarização de textos selecionados. Esta componente será responsável por 30% da nota final. O trabalho prático consistirá num projeto cobrindo os tópicos da unidade curricular. Isso representará 35% da nota final. O exame final será responsável por 35% da nota final.