Visión artificial avanzada

A meta desta materia é proporcionar ao alumno unha perspectiva moderna, tanto na súa vertente teórica como práctica, do campo da visión artificial baseada en técnicas de deep-learning (DL).

OBXECTIVOS:

• Coñecer as arquitecturas máis habituais en DL en visión artificial aplicadas á robótica.
• Saber seleccionar e adestrar os métodos DL para recoñecemento de obxectos e segmentación para robots autónomos.
• Coñecer e aplicar modelos de atención visual.
• Implementar algoritmos de visión sobre sistemas visuais activos e embarcados.
• Saber empregar técnicas DL para análise de movemento.

Os contidos impartidos nesta materia supoñen unha continuidade natural do visto na materia de Visión Artificial do primeiro semestre deste curso, adoptando unha perpectiva moderna, tanto na súa vertente teórica como práctica, do campo da visión artificial baseada en técnicas de deep-learning. A memoria do título contempla os seguintes contidos:

Fundamentos das redes neuronais. Redes neuronais empregadas no campo da visión artificial. Optimización e adestramento. Detección e recoñecemento de obxectos. Técnicas avanzadas de segmentación. Análise de vídeo e seguimento.

Estes contidos teóricos serán desenvoltos de acordo ao seguinte temario:

BLOQUE 1: BASES DE APRENDIZAXE MÁQUINA E DL

Distribución en horas para este bloque:
• Presenciais: 8 docencia expositiva, 10 aulas de informática, 1,5 titorías grupo.
• Non presenciais: 15 preparación temas, 13 elaboración traballos, 2 preparación probas avaliación.

Na primeira parte do curso abarcará as compoñentes fundamentais que impulsan aos modernos sistemas de aprendizaxe profunda en a visión artificial:

TEMA 0: PRESENTACIÓN DA MATERIA
Presentación da materia
Enfoque clásico e actual da Visión Artificial
Loxística do curso e configuración do entorno de traballo

TEMA 1: FUNDAMENTOS DAS REDES NEURONAIS
Introdución ao modelo de aprendizaxe parametrizado
Compoñentes dun clasificador linear clásico de imaxes
Modelos de neurona, funcións de activación e arquitectura da rede
Proceso de adestramento, actualización dos pesos e avaliación
Combinando todo: rede neuronal mínima funcional

TEMA 2: REDES NEURONAIS CONVOLUCIONAIS (CNN)
Introdución: necesidade de incluír información espacial nas redes
Convolución e cross-correlación
Filtros: dimensión, paso e mostreado
Tipos e combinacións de capas nunha CNN
Estudo das principais arquitecturas para clasificación de imaxes

TEMA 3: OPTIMIZACIÓN E ADESTRAMENTO
Introdución: consideración prácticas para adestramento das redes Técnicas de regularización e o seu fundamento
Optimización como camiño ao aprendizaxe: variantes Algoritmos adaptativos de aprendizaxe
Estratexias de inicialización

BLOQUE 2: APLICACIÓNS PRÁCTICAS DE VISIÓN CON TÉCNICAS DE DEEP LEARNING

Distribución en horas para este bloque:
• Presenciais: 16 docencia expositiva, 14 aulas de informática, 1,5 titorías grupo.
• Non presenciais: 20 preparación temas, 22 elaboración traballos, 4 preparación probas avaliación.

Na segunda parte do curso centrándonos nas aplicacións prácticas e cales son as arquitecturas axeitadas para diferentes problemas da visiónpor computador.

TEMA 4: DETECCIÓN E RECOÑECEMENTO DE OBXECTOS
Introdución: formulación do problema e desafíos
Aproximación ao problema e medidas de avaliación
Arquitecturas profundas para detección de obxectos dunha e de dúas etapas
Técnicas de recoñecemento de caras, emocións e xestos
Redes en produción: módulo DNN de OpenCV

TEMA 5: TÉCNICAS AVANZADAS DE SEGMENTACIÓN
Introdución: retos no ámbito da segmentación
Tipos de segmentación: semántica, instancias e panóptica
Técnicas de segmentación e taxonomía
Principais arquitecturas para segmentación

TEMA6: ATENCIÓN VISUAL E SISTEMAS ACTIVOS
Introdución: atención visual
Saliencia visual estática e dinámica
Arquitecturas para saliencia estática e dinámica
Aplicación: sistemas activos de visión

TEMA7: ANÁLISE DE VIDEO E RASTREO
Introdución: análise de vídeo e aplicacións
Técnicas profundas de fluxo óptico e multi-rastrexadores de eventos
Aplicacións do fluxo óptico: predición de movementos e clasificación de accións
Aprendizaxe multi-tarea en vídeo: hidranets



PROGRAMA DE PRÁCTICAS:
O ensino experimental dos alumnos constitúe unha parte substancial de todo curso de visón artificial. Ademais do seu papel de ilustrar contidos específicos do programa da materia, as prácticas permiten ao estudante desenvolver competencias transversais propias da titulación. Estas actividades promoven a elección e aplicación de métodos analíticos, de cálculo e experimentais xa establecidos, así como interpretación dos resultados para chegar a conclusións válidas no ámbito do estudo. Ademais, fomentar o traballo en equipo, practícase a comunicación oral e escrita e a xestión da información. Os obxectivos específicos son:

• Desenvolver hábitos correctos de traballo en equipo mediante a aplicación do método científico á análise de problemas prácticos reais.
• Aprender a implementación das técnica aprendidas, o correcto manexo de datos e a extraer conclusións dos experimentos, proporcionándolles ademais experiencia na transmisión da información técnica mediante a redacción de informes científico-técnicos e a exposición oral.
• Desenvolver o seu compromiso coas metas marcadas para un grupo de traballo e cos principios éticos involucrados no traballo científico e técnico.

Para acadar os anteriores obxectivos nas prácticas de Visión Artificial, en cada tema apórtase aos estudantes bloques de código que facilitarán a comprensión da implementación das técnicas estudadas e permitirán aborde tarefas máis complexas. A relación de experimentos proposta:

P1: CONFIGURACIÓN E INSTALACIÓN DO ENTORNO DE TRABALLO NO ORDENADOR PERSOAL
P2: CONSTRUCIÓN DUN PERCEPTRON MULTICAPA ADESTRABLE EN PYTHON
P3: INTRODUCIÓN A PYTORCH E TENSORFLOW : IMPLEMENTACIÓN DE LENET
P4: DESEÑO DUNHA ARQUITECTURA ORIXINAL PARA CLASIFICACIÓN DE IMAXES EN PYTORCH-LIGHTENING
P5: ANÁLISE E IMPLEMENTACIÓN DE TÉCNICAS DE REGULARIZACIÓN E OPTIMIZACIÓN EN PYTORCH
P6: ADESTRAMENTO E COMPARATIVA DE FASTER-RCNN E YOLOv5 PARA DETECCIÓN DE OBXECTOS
P7: ETIQUETADO E FINE-TUNNING DE MASK-RCNN SOBRE UNHA BASE DE DATOS PROPIA
P8: ALGORITMOS DE ATENCIÓN VISUAL DINÁMICA SOBRE SISTEMAS ACTIVOS DE VISIÓN
P9: HIDRANETS PARA ANÁLISES MULTI-TAREA SOBRE VÍDEO DE VEHÍCULOS AUTÓNOMOS


POXECTO FINAL (POR PARELLAS) DE TEMÁTICA LIBRE. O EQUIPO DEBE ELIXIR UNHA APLICACIÓN PRÁCTICA QUE INTEGRE DISTINTAS TÉCNICAS DO CURSO.

• DOCUMENTACIÓN DA MATERIA
o Documentación preparada explicitamente para esta materia polo profesorado da mesma, e que será distribuída a través do campus virtual.

• BIBLIOGRAFÍA BÁSICA
• Richard Szeliski. COMPUTER VISION: ALGORITHMS AND APPLICATIONS (2ª ed). Draft 2021 Springer. (https://szeliski.org/Book/)
• Shamshad Ansari. Building Computer Vision Applications Using Artificial Neural Networks: With Step-by-Step Examples in OpenCV and TensorFlow with Python. Apress, 2020.
• A. Rosebrock. Deep Learning for Computer Vision with Python (3ª Ed.). PyimageSearch. 2019.
• Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. The MIT Press, . 2016
• François Chollet. Deep Learning with Python Manning Publications. 2017.
• Aurélien Géron. Hands-on Machine Learning with Scikit-Learn and TensorFlow (2ª Ed). O´Really Media. 2019.
• A. Gulli,A. Kapoor TensorFlow Deep Learning Cookbook. Packt.2017.

• BIBLIOGRAFÍA COMPLEMENTARIA
• Richard Hartley and Andrew Zisserman. Multiple View Geometry in Computer Vision. Cambridge University Press
• Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015
• Mahmoud Hassaballah, Ali Ismail Awad . Deep Learning in Computer Vision Principles and Applications. CRC 2020

• ENLACES RECOMENDADOS
• Artigos de Visión artificial con código (https://paperswithcode.com/area/computer-vision).
• Deep Learning, IDIAP (Fleuret), 2018 (https://fleuret.org/ee559-2018/dlc/).
• Introduction to Deep Learning, University of Illinois (Lazebnik), 2018 (http://slazebni.cs.illinois.edu/fall18/).
• Deep Learning in Computer Vision, University of Toronto (Fidler), 2018 (http://www.cs.toronto.edu/~fidler/teaching/2018/CSC2548.html).
• Convolutional Neural Networks for Visual Recognition, Stanford University , 2020 (http://cs231n.stanford.edu/).
• Deep Learning: Do-It-Yourself! Hands-on tour to deep learning, ENS Paris, 2019 (https://www.di.ens.fr/~lelarge/dldiy/).
• Practical Deep Learning for Coders, 2020 (https://course.fast.ai/).
• 3D Machine Learning. https://github.com/timzhang642/3D-Machine-Learning

ESULTADOS DA APRENDIZAXE

Ao rematar con éxito esta materia, os estudantes serán capaces de:

Coñecemento:

Con92. Distinguir as arquitecturas habituais de deep learning (DL) no campo da visión artificial..
Con93. Elixir que modelo de rede é o axeitado para problemas básicos de visión artificial.
Destreza:

H/D87. Adestrar ou transferir coñecemento das principales redes neuronais a problemáticas concretas.
H/D88. Implementar algoritmos de visión con DL.

Competencia:
Comp15. Utilizar e implementar métodos de aprendizaxe computacional no análise de datos sensoriais e para a toma de decisiones en sistemas robóticos.
Comp19. Entender e saber programar as técnicas de análise, procesado, detección, reconocimiento e seguimiento de patrones nos distintos tipos de sinais procedentes de diferentes sensores e cámaras dentro do entorno dun robot.


Adicionalmente, nesta materia osestudante adquirirán e/ou practicarán unha serie de competencias xenéricas, desexables en calquera titulación universitaria, e específicas, propias da enxeñaría en xeral ou da robótica en particular. Dentro do cadro de competencias que se deseñou para a titulación, traballaranse as seguintes:

Competencias básicas:

CB1.- Que os estudantes demostrasen posuír e comprender coñecementos nunha área de estudo que parte da base da educación secundaria xeral, e adóitase atopar a un nivel que, aínda que se apoia en libros de texto avanzados, inclúe tamén algúns aspectos que implican coñecementos procedentes da vangarda do seu campo de estudo.
CB2.- Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo.
CB3.- Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética.
CB4.- Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado. CB5.- Que os estudantes desenvolvesen aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía.

Competencias xerais:

CG1.- Coñecemento de materias básicas e tecnoloxías, que lle capacite para a aprendizaxe de novos métodos e tecnoloxías, así como que lle dote dunha gran versatilidade para adaptarse a novas situacións.
CG2.- Capacidade de resolución de problemas no campo da enxeñaría robótica con creatividade, iniciativa, metodoloxía e razoamento crítico. CG3.- Capacidade de utilizar ferramentas informáticas para o modelado, a simulación e o deseño de aplicacións de enxeñaría.
CG4.- Saber as necesidades tecnolóxicas da sociedade e a industria, e ser capaz de mellorar servizos e procesos de produción aplicando tecnoloxía actual de robótica, mediante a elección, adquisición e posta en marcha de sistemas robóticos en diferentes aplicacións, tanto industriais como de servizos.
CG5.- Ser capaz de obter e analizar información sobre circuítos, elementos de máquinas, control automático, sensores e sistemas informáticos, co fin último de lograr aplicacións robóticas autónomas e flexibles.
CG6.- Concibir, calcular, deseñar e pór en marcha algoritmos, equipos ou instalacións no ámbito da robótica, para aplicacións industriais ou de servizos, tendo en conta aspectos de calidade, seguridade, criterios ambientais, uso racional e eficiente de recursos.
CG8.- Capacidade de traballar nun grupo multidisciplinar e de comunicar, tanto por escrito como de forma oral, coñecementos, procedementos, resultados e ideas relacionadas coa robótica e a electrónica.

Competencias transversais:

CT1.- Capacidade de análise e síntese.
CT2.- Capacidade para o razoamento e a argumentación.
CT3.- Capacidade de traballo individual, con actitude autocrítica.
CT4.- Capacidade para traballar en grupo e abarcar situacións problemáticas de forma colectiva. CT5.- Capacidade para obter información adecuada, diversa e actualizada.
CT6.- Capacidade para elaborar e presentar un texto organizado e comprensible.
CT7.- Capacidade para realizar unha exposición en público de forma clara, concisa e coherente. CT8.- Compromiso de veracidade da información que ofrece aos demais.
CT9.- Habilidade no manexo de TIC’s.
CT10.- Utilización de información bibliográfica e de Internet.
CT11.- Utilización de información complementaria e/o puntual en lingua inglesa.
CT12.- Capacidade para resolver problemas mediante a aplicación integrada dos seus coñecementos.

Lección maxistral:
Descrición: Presentación na aula dos conceptos propios da materia facendo uso de metodoloxía expositiva con leccións maxistrais participativas e medios audiovisuais. Cada sesión, iniciarase cun breve resumo do exposto no día anterior e rematarase cunha compilación breve.
Propósito: Transmitir os contidos da materia motivando ao alumnado á reflexión, facilitándolle o descubrimento das relacións entre diversos conceptos.
Contido en ECTS: 3 (24 horas presenciais)
Metodoloxía Docente: Lección maxistral. Debates. Titoría académica.
Competencias traballadas: . CB1, CB4, CB5, CG1, CG2, CG4, CG5, CT1,CT10- CT2, Comp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Prácticas en Aula de Informática; Prácticas de laboratorio ou talleres (problemas, laboratorio e proxecto final):
Descrición: Actividades a través das cales se pretende mostrar ao alumnado como debe actuar a partir da aplicación dos coñecementos adquiridos, a facer observacións experimentais coidadosas e obter conclusións a partir dos datos obtidos.
Propósito: Desenvolvemento no alumnado das habilidades instrumentais da materia.
Contido en ECTS: 2,75 (24 horas presenciais)
Metodoloxía Docente: Prácticas de laboratorio. Desenvolvemento de proxectos. Titoría académica. Competencias: CB1, CB2, CB3, CB4, CB5, CG1, CG2, CG3, CG4, CG5, CG8, CG6, CT1-CT12, Comp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Seminarios (grupo grande):
Descrición: Modalidade organizativa dos procesos de ensino e aprendizaxe onde tratar en profundidade unha temática actual relacionada coa materia. Incorpora actividades baseadas na indagación, o debate, a reflexión e o intercambio.
Propósito: Desenvolvemento no alumnado das competencias cognitivas e procedimentais da materia. Contido en ECTS: 0,1 (1 horas presenciais)
Competencias:. : CB1, CB5, CG1, CG2, CG4, Comp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Titorías académicas (grupo pequeno e individuais):
Descrición: maneira de organizar os procesos de ensino e aprendizaxe que se basea na interacción directa entre o estudante e o profesor Propósito: 1) Orientan o traballo autónomo e grupal do alumnado, 2) profundar en distintos aspectos da materia e 3) orientar a formación académica integral do estudante
Contido en ECTS: 0,7 (7 horas presenciais)
Competencias: CB3, CB4, CB5, CG2, CG4, CComp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Actividades non presenciais individuais (Estudo e traballo autónomo):
Descrición: 1) Actividades (guiadas e non guiadas) propostas polo profesor a través das cales e de forma individual afóndase en aspectos concretos da materia posibilitando ao estudante avanzar na adquisición de determinados coñecementos e procedementos da materia, 2) Estudo individualizado dos contidos da materia 3) Actividades avaliativas (informes, presentacións, ...)
Propósito: Favorecer no estudante a capacidade para autorregular a súa aprendizaxe, planificándoo, deseñándoo, avaliándoo e adecuándoo ás súas especiais condicións e intereses.
Contido en ECTS: 3 (30 horas non presenciais)
Competencias:. CB1, CB2, CB4, CG1, CG2, CG3, CG8, CT1-CT12, Comp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Actividades non presenciais grupais (Estudo e traballo en grupo)
Descrición: Actividades (guiadas e non guiadas) propostas polo profesor a través das cales e de forma grupal afóndase en aspectos concretos da materia posibilitando aos estudantes avanzar na adquisición de determinados coñecementos e procedementos da materia.
Propósito: Favorecer nos estudantes a xeración e intercambio de ideas, a identificación e análise de diferentes puntos de vista sobre unha temática, a xeneralización ou transferencia de coñecemento e a valoración crítica do mesmo.
Contido en ECTS: 2 (20 horas non presenciais)
Competencias:. CB1, CB2, CB4, CG1, CG2, CG3, CG8, CT1-CT12, Comp15,Comp19.
Resultados Aprendizaxe traballados: Con92,Con92, H/D87, H/D88.

Empregarase un sistema de avaliación continua, que teña características de avaliación formativa, de maneira que sirva de realimentación no proceso de ensino-aprendizaxe por parte do estudante. A estrutura do sistema é a seguinte:

• CRITERIOS DE AVALIACIÓN
Defínense os seguintes criterios de avaliación para atender ao grao de adquisición das competencias por parte do estudante e os resultados da aprendizaxe:
• CE1: O alumno é capaz de resolver problemas simples de visión artificial no campo da robótica.
• CE2: O alumno integra os coñecementos explicados nos distintos temas de teoría para poder resolver de maneira creativa os problemas que se lle presenten.
• CE3: O alumno é capaz de implementar algoritmos de visión que dan solución aos problemas expostos, integrando os coñecementos adquiridos sobre o funcionamento dos sistemas de visión artificial, facendo uso dos recursos bibliográficos e ferramentas informáticas ao seu alcance.
• CE4: O alumno é capaz de xerar documentación correctamente redactada, clara e precisa sobre o traballo realizado nas prácticas.
• CE5: O alumno expón e defende de maneira clara e razoada as súas propostas para a resolución dos problemas expostos.


• INSTRUMENTOS DE CUALIFICACIÓN
Esta sección expón os instrumentos de avaliación que serán aplicados a cada un dos criterios de avaliación.
• Tests de coñecementos básicos (TCB). cada estudante realizará un test de coñecementos básicos (proba obxectiva) por cada tema a través da plataforma do Campus Virtual. Esta proba consistirá nunha serie preguntas de resposta múltiple que abordarán os aspectos teóricos básicos do tema.
• Prácticas (PL). Consiste na implementación e integración de código en casos prácticos reais que ilustren a aplicación dos contidos teóricos vistos. Subministraráselle un conxunto de rutinas base para que o estudante poda abordar o problema con garantías de éxito.
• Proxecto final (PF). Consiste no deseño e implementación dunha aplicación práctica na que cada equipo (dous estudantes) deben aplicar e interrelacionar os coñecementos teórico-prácticos adquiridos na materia.
A elección da temática será libre. O traballo rematará cando se entreguen os códigos fonte, unha memoria do traballo e se realice un vídeo de presentación.

• CRITERIOS DE CUALIFICACIÓN
Para considerar superada a avaliación continua os alumnos deberán cumprir as seguintes condicións:
• que asistira, como mínimo, a un 80% das clases teóricas e prácticas,
• que realizara todos os tests de coñecementos básicos (TCB) de cada tema. Consideraranse superados se obtén unha cualificación final media superior ou igual a metade da nota máxima dos TCB,
• que realizara todas as prácticas de cada tema e demostrase a súa capacidade de dar solución aos problemas prácticos propostos. Entenderase superou estas competencias se obtén unha cualificación final media superior ou igual a metade da nota máxima dos PL
• que presentara o proxecto final. Entenderase que superou estas competencias se obtén unha cualificación final media superior ou igual a metade da nota máxima dos PF,
• Obter unha cualificación global ponderado igual ou superior a 5 (sobre 10) entre todos os instrumentos de avaliación.


• PROCEDEMENTOS DE AVALIACIÓN
Todo aquel estudante que non participe ou non complete totalmente todas as tarefas do proceso de avaliación continua, deberá presentar os traballos correspondentes, ou ben a 1ª ou 2ª oportunidade, para recuperar a/as partes pendentes. A cualificación constará na oportunidade na que quede se superen as eivas detectadas:
• Se non asistiu ao 80% das clases deberá presentar exercicios extra dos temas aos que non asistiu
• Se non superación as práctica/s, deberá presentar/mellorar o material correspondente das prácticas a recuperar segundo a retroalimentación dada polo profesor
• Se non presentou/superou o proxecto final aportará/mellorará o material requirido segundo a retroalimentación dada polo profesor



PESO NA CUALIFICACIÓN DOS INSTRUMENTOS DE AVALIACIÓN
• Tests de coñecementos básicos = 20%
• Prácticas (PL) = 40%
• Proxecto final (PF) = 40%


COMPETENCIAS, RESULTADOS DE AVALIACIÓN E CRITERIO DE AVALIACIÓN
• Tests de coñecementos básicos: CB1,CB2,CB3,CB4,CB5,CG1-CG5, Comp15,Comp19, Con92,Con92, H/D87, H/D88, CE1, CE2
• Prácticas (PL) :CB1,CB2,CB3,CB4,CB5, CG1-CG8, CT4-CT11, Comp15,Comp19, Con92,Con92, H/D87, H/D88, CA1-CA4
• Proxecto final (PF) : CB1,CB2,CB3,CB4,CB5, CG1-CG8, CT4-CT12, Comp15,Comp19, Con92,Con92, H/D87, H/D88, CA1-CA5


AVALIACIÓN DE ESTUDANTES CON DISPENSA ACADÉMICA
Para que un alumno poida optar a esta avaliación, terán que obter a dispensa de asistencia solicitándoa ao Director da EPSE. Unha vez aprobada, para superar esta materia é obrigatorio a realización dos TCBs, as prácticas e o proxecto final coa súa correspondente exposición oral/entrevista.

AVALIACIÓN DE ESTUDANTES REPETIDORES
Os alumnos repetidores serán avaliados como o resto do alumnado. Só quedan exentos da asistencia presencial ás clases teóricas e prácticas.

ESTUDANTES CON DISCAPACIDADE OU NECESIDADES EDUCATIVAS ESPECIAIS
As adaptacións curriculares para estudantes con discapacidade ou con necesidades educativas especiais, a fin de garantir a igualdade de oportunidades, non discriminación, a accesibilidade universal e a maior garantía de éxito académico serán pautadas polo Servizo de Participación e Integración Universitaria (SEPIU), dependente da Vicerreitoría de Igualdade, Cultura e Servizos . Será requisito para iso a emisión dun informe de adaptacións curriculares por parte da devandita Unidade, polo que os estudantes con discapacidade ou necesidades educativas especiais deberán contactar con ela, a fin de analizar conxuntamente as distintas alternativas.

CONDUTA, INTEGRIDADE E HONESTIDADE ACADÉMICA
A USC está plenamente comprometida cos máis altos estándares de integridade e honestidade
Académica reflectidas no seu Código Ético (https://www.usc.es/gl/goberno/valedor/codigoetico/CodigoEtico.html). Para acompañar este proceso, a Universidade dispón da Normativa de Avaliación do Rendemento sobre conduta académica da USC e de diferentes ferramentas (antiplaxio, supervisión) que ofrecen unha garantía colectiva para o completo desenvolvemento destes valores esenciais.
De acordo con esta Normativa de Avaliación, se un alumno realiza fraudulentamente unha proba ou exercicio esixido na avaliación implicará a cualificación de suspenso na convocatoria correspondente, con independencia do proceso disciplinario que se poida seguir contra o alumno infractor. Considerarse fraudulenta, entre outras, copiar nun exame así como a realización de traballos plaxiados ou obtidos de fontes accesibles ao público sen reelaboración ou reinterpretación e sen citas aos autores e das fontes.

Lectura e preparación de temas 35
Realización de test de coñecemento teóricos (TCB) 6
Realización de actividades prácticas 35
Realización do proxectos final 20
Preparación de titorías 3
TOTAL 99

• Asistir ás clases e intervir de xeito activo nelas, así coma no resto de actividades interactivas.
• Tratar de levar o estudo da materia ao día.
• Realizar unhas boas prácticas e esforzarse nos traballos que decida levar a cabo ao longo do curso.
• Utilizar o material e a bibliografía aconsellada polo profesor en cada bloque temático.

A materia dispón dunha aula no Campus Virtual da USC: http://www.usc.es/campusvirtual. Nela, o estudante, poderá atopar todo o material da materia e realizará as probas de test de cada un dos temas. Así mesmo, todas as entregas das prácticas e proxecto final se realizarán a través desta plataforma.