Fundamentos de aprendizaje automático para visión por computador

El objetivo del curso es presentar al alumnado los temas más relevantes del aprendizaje automático, haciendo hincapié en la teoría, ejemplos prácticos y projectos reales aplicados a la visión por computador. Cada ejercicio tratará de reforzar algún concepto explicado en las clases expositivas.

1. Teoría del aprendizaje automático
2. Regresión y optimización
3. Introducción a modelos de datos secuenciales
4. Técnicas de clasificación: selección de modelos y evalidación
5. Redes neuronais artificiales
6. Máquinas de vectores de soporte
7. Grupos de clasificadores
8. Aprendizaje automático no supervisado

Básica:

Machine learning techniques: R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690.

Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Manuel Fern ́andez-Delgado, Eva Cernadas, Senén Barro and Dinani Amorim. Journal of Machine Learning Reseach. 2014.

Otros artigos recomendados durante el curso.

Complementaria:

Invisible women: Exposing data bias in a world designed for men. Carolina Criado Pérez, Random House, 2019.

Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Kate Crawford. 2021.

Habilidad para trabajar en equipo, organizar y planificar (CT2).
Habilidad para analizar y sintetizar conocimiento (CG1).
Conocer los fundamentos de los modelos de aprendizaje automático aplicados a visión por computador (CE2).
Habilidad para desarrollar sistemas de aprendizaje automático simples en función de las necesidades y aplicando las tecnologías apropiadas (CB7, CG4).
Adquirir destrezas de aprendizaje para continuar estudiando posteriormente de forma autónoma (CB6, CG5).
Ejercer la profesión con conciencia clara de su dimensión humana, económica, legal y ética, con especial atención a las desigualdades de género de los modelos de aprendizaje automático.

Clases expositivas y seminarios utilizando dinámicas para aprender en base a la resolución de casos prácticos y projectos que fomenten el trabajo autónomo e independiente y cooperativo del alumnado.

Evaluación continua: representa un 100% de la nota de la asignatura( 65% para las entregas supervisadas de trabajos y 35% para la realización de un projecto).


En caso de fraude, será aplicada la "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".

Trabajo presencial:
Clases expositivas: 14h
Clases de laboratorio: 25h
Exámenes: 3h
Total: 42h

Trabajo autónomo:
Estudio autonomo: 24h
Estudio de laboratorio: 96h
Total: 120h

Asistir a las clases expositivas y sesións de laboratorio, y resolver los ejercicios propuestos usando las librerías de aprendizaje automática utilizadas en el laboratorio. Leer los artículos recomendados en el curso.

Parte del material de la materia estará disponible en la página web:

http://persoal.citius.usc.es/eva.cernadas/fmlcv