Fundamentos de aprendizaxe automática para visión por computador

O obxetivo do curso é presentar ó alumnado algúns dos temas mais relevantes da aprendizaxe automática, facendo fincapé na teoría, exemplos prácticos e proxectos reais aplicados a visión por computador. Cada exercicio tratará de reforzar algún concepto explicado nas clases expositivas.

1. Teoría da aprendizaxe automática
2. Regresión e optimización
3. Introducción a modelos de datos secuenciais
4. Técnicas de clasificación: selección de modelos e validación
5. Redes neuronais artificiais
6. Máquinas de vectores de soporte
7. Grupos de clasificadores
8. Aprendizaxe automático non 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.

Outros artigos recomendados durante o 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.

Habilidade para traballar en equipo, organizar e planificar (CT2).
Habilidade para analizar e sintetizar coñecemento (CG1).
Coñecer os fundamentos dos modelos da aprendizaxe automática aplicados a visión por computador (CE2).
Habilidade para desenvolver sistemas de aprendizaxe automática simples en función das necesidades e aplicando as tecnoloxías apropiadas (CB7, CG4).
Adquirir destrezas de aprendizaxe para continuar estudando posteriormente de forma autónoma (CB6, CG5).
Exercer a profesión con conciencia clara da súa dimensión humana, económica, legal e ética, con especial atención a desigualdades de xénero dos modelos de aprendizaxe automática.

Clases expositivas e seminarios utilizando dinámicas para aprender en base a resolución de casos prácticos e proxectos que fomenten o traballo autónomo, independente e cooperativo do alumnado.

Avaliación continua: representa un 100% da nota da asignatura( 65% para as entregas supervisadas de traballos e 35% para a realización dun proxecto).


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

Traballo presencial:
Clases expositivas: 14h
Clases de laboratorio: 25h
Exames: 3h
Total: 42h

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

Asistir as clases expositivas e sesións de laboratorio, e resolver os exercicios propostos usando as librerías de aprendizaxe automática utilizadas no laboratorio. Ler os artigos recomendados no curso.

Parte do material da materia estará dispoñible na páxina web:

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