Aprendizagem Computacional Avançada para Visão Computacional

Código:

MVCOMP06

Sigla:

ACAVC

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Visão por Computador

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.