template-browser-not-supported

Grado en Ciencia e Ingeniería de Datos

Back Back

Visión Artificial

Código asignatura
GCINGD01-3-007
Curso
Tercero
Temporalidad
Segundo Semestre
Carácter
Obligatoria
Créditos
6
Pertenece al itinerario Bilingüe
No
Actividades
  • Prácticas de Laboratorio (14 Hours)
  • Docencia On Line (30 Hours)
  • Clases Expositivas (16 Hours)
Guía docente

La asignatura Visión Artificial (VISA) forma parte del grupo de 10 asignaturas de la materia “Análisis y Visualización de Datos”, junto con las asignaturas “Análisis de Datos”, “Aprendizaje Automático I”, “Aprendizaje Automático II”, “Búsqueda Inteligente y Metaheurísticas”, “Modelos estadísticos de la predicción”, “Aprendizaje Profundo”, “Análisis y Recuperación de la Información Textual”, “Modelos Bayesianos” y “Visualización de la Información”. La asignatura tiene un carácter obligatorio y desarrolla competencias específicas fundamentales para la titulación.

El objetivo de la asignatura es que el alumnado conozca las técnicas necesarias para el diseño de sistemas que sean capaces de comprender e interpretar el contenido de las imágenes.

Para afrontar esta asignatura es recomendable que el alumnado haya adquirido las competencias abordadas en las asignaturas de cursos previos. De formar concreta, es recomendable que el alumnado tenga una base sólida de programación y de matemáticas. Además, se recomienda haber cursado la asignatura Aprendizaje profundo, impartida en el primer semestre del mismo curso.

Se espera que mediante esta asignatura el alumnado adquiera una serie de Competencias Básicas y Generales comunes a todo el Grado en Ciencia e Ingeniería de Datos y otras Competencias Específicas más vinculadas a los contenidos de la asignatura.

Esta asignatura contribuye a la adquisición de las siguientes Competencias Básicas:

CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.

CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

Esta asignatura también contribuye a adquirir las siguientes Competencias Generales:

CG01 - Elegir y aplicar los métodos y técnicas más adecuados para analizar y resolver problemas definidos por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.

CG02 - Tener las habilidades experimentales y analíticas para trabajar con autonomía siendo capaz de plantear experimentos y de describir, analizar, evaluar e interpretar la información resultante para proponer soluciones alternativas y novedosas frente a problemas conocidos y/o emergentes.

CG03 - Crear modelos y tomar decisiones basadas en los datos disponibles combinando los conocimientos adquiridos y siendo capaz de aplicar otros nuevos para la resolución de problemas.

CG04 - Capacidad de integrarse en un equipo multidisciplinar en el marco de un proyecto de ciencia de datos.

CG07 - Identificar oportunidades para aplicaciones innovadoras orientadas a datos en entornos tecnológicos en continua evolución.

CG08 - Conocer y aplicar los aspectos éticos y legales relacionados con el tratamiento de los

datos y la aplicación del conocimiento obtenido.

CG09: Capacidad para expresar los resultados del procesamiento de datos de manera clara y convincente tanto por escrito como oralmente.

Las Competencias Específicas son las siguientes:

CE09 - Construcción de sistemas de aprendizaje automático utilizando técnicas básicas y avanzadas, para construir sistemas inteligentes a partir de conjuntos de datos.

Los resultados de aprendizaje que el alumnado alcanzará tras cursar la asignatura son los siguientes:

RVISA1 - Conocer los conceptos generales de Visión Artificial y utilizar las operaciones básicas para el tratamiento de imágenes digitales.

RVISA2 - Identificar propiedades relevantes y extraer diferentes características de imágenes digitales.

RVISA3 - Diseñar, implementar y validar sistemas de Visión artificial para la segmentación de imágenes y el reconocimiento de patrones.

RVISA4 - Diseñar, implementar y validar redes de neuronas convolucionales para la resolución de problemas avanzados de Visión Artificial.

  1. Formación y detección de la imagen
  2. Procesamiento de imagen
  3. Reconstrucción
  4. Redes convolucionales y clasificación de imágenes
  5. Detección de objetos y segmentación de imágenes

Trabajo presencial

Trabajo no presencial

Trabajo personal

Temas

Horas
totales

Clase
Expositiva

Prácticas de
laboratorio

Evaluación

Total

Clase
Expositiva

Prácticas de
laboratorio

  Total

Estudio
individual

Total

Tema 1

15

2

1

3

1

1

2

10

10

Tema 2

35

3

3

6

4

5

9

20

20

Tema 3

23

2

2

4

2

2

4

15

15

Tema 4

33

2

3

5

5

3

8

20

20

Tema 5

40

5

3

8

2

5

7

25

25

Exámenes

 4

4

4

Total

150

14

12

4

30

14

16

30

90

90

Modalidades

Horas

%

Totales

Presencial

Clases expositivas

14

9.33%

30

Prácticas de laboratorio

12

8.00%

Sesiones de evaluación

4

2.67%

No presencial

Clases Expositivas

14

9.33%

30

Prácticas de laboratorio

16

10.67%

Personal

Estudio individual

90

60.00%

90

Total

150

En las clases expositivas se desarrollarán los principales conceptos de cada uno de los temas. En las prácticas de laboratorio se realizarán prácticas en un ordenador para ilustrar y consolidar los conocimientos sobre la materia y poner en práctica las habilidades y destrezas que se deben adquirir.

Para superar la asignatura es necesario cumplir unas exigencias mínimas. En caso de no cumplirse, la calificación final se calculará como el mínimo entre 4 y la nota obtenida aplicando las ponderaciones explicadas a continuación para cada convocatoria.

Convocatoria ordinaria

La calificación final en la convocatoria ordinaria se obtendrá haciendo la media de los mecanismos de evaluación que se enumeran a continuación:

  • Asistencia: 5%. La nota máxima en este apartado se alcanzará con una asistencia activa a las clases presenciales de prácticas del 80%.
  • Participación en foros/actividades online: 10%. La nota de este apartado se obtendrá mediante la realización de cuestionario/s online.
  • Informes/memorias/exámenes de prácticas: 45%. Durante el curso se realizarán una serie de entregas y exámenes de laboratorio que serán recogidos y evaluados.
  • Examen de teoría: 40%. La parte teórica se evaluará mediante un examen final de teoría.

Para superar la asignatura es necesario obtener una nota igual o superior a 4 puntos sobre 10 tanto en la parte teórica como en la parte práctica de la asignatura. Las actividades de evaluación no realizadas o no entregadas se contabilizarán como cero.

Convocatorias extraordinarias

La evaluación extraordinaria se compondrá de:

  • Examen teórico: 50%
  • Examen práctico: 50%

Para superar la asignatura, se debe obtener una nota igual o superior a 4 puntos sobre 10 en ambos exámenes. Cuando se haya obtenido una calificación igual o superior a 5 durante la convocatoria ordinaria en la parte teórica o en la parte práctica, se podrá realizar la evaluación únicamente de la parte que no se haya superado previamente.

Evaluación diferenciada

Se rige por las mismas directrices que la evaluación en Convocatoria extraordinaria.

Uso de materiales o medios ilícitos:

La realización fraudulenta de cualquier prueba de evaluación implicará la calificación de 0−Suspenso en la convocatoria correspondiente, invalidando el resto de las calificaciones obtenidas. Todo ello con independencia de otras posibles sanciones que se pudieran determinar.

  • Szeliski, Richard. Computer vision: algorithms and applications. Springer Nature, 2022.
  • Forsyth, David A., and Jean Ponce. Computer vision: a modern approach. Pearson, 2012.
  • González, Rafael C., Woods, Richard E., Digital Image Processing, Pearson, 2018.
  • Hartley, Richard, and Andrew Zisserman. Multiple view geometry in computer vision. Cambridge university press, 2003.
  • Elgendy, Mohamed. Deep learning for vision systems. Manning, 2020.