Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciências e Tecnologias da Informação
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2021/2022
Pré-requisitos / Pre-Requisites
Embora não existam pré-requisitos obrigatórios, a UC requer alguns conhecimentos de Álgebra Linear e Estatística, assim como experiência de Programação, de preferência com Python.
Objetivos Gerais / Objectives
Nos últimos anos, a utilização de sistemas de Business Intelligence (BI) nas organizações tem-se consolidado e o desenvolvimento de modelos usando técnicas avançadas de análise de dados e de aprendizagem automática. Neste contexto destaca-se a extração de conhecimento em problemas que envolvem a análise de imagens / vídeo, uma área de aplicações que cresceu muito rapidamente ao longo dos últimos 5 anos. O objetivo da UC consiste em dar a conhecer aos estudantes a area da análise de imagens, com vista à extração automática de conhecimento. Serão aprofundadas na UC técnicas para extração de características de imagem que poderão ser usadas em algoritmos de aprendizagem automática clássicos e técnicas de aprendizagem profunda (redes neuronais convolucionais). Dar a conhecer as ferramentas para manipulação de imagens no âmbito da visão por computador e da aprendizagem automática, nomeadamente as bibliotecas OpenCV e Tensorflow, respetivamente, usando a linguagem de programação Python.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
O1: Representar uma imagem em diferentes espaços de cor. O2: Realizar operações típicas de processamento de imagens com vista à extração de características de baixo nível de uma imagem. O3: Implementar algoritmos clássicos de aprendizagem automática para classificar imagens com base nas suas características de baixo nível. O4: Conhecer e implementar redes neuronais convolucionais (CNN) e aplicá-las a problemas de classificação de imagens. O5: Aplicar metodologias de transferência de conhecimento e fine-tuning usando CNNs pré-treinadas O6: Usar algoritmos de aprendizagem profunda para identificar objetos numa imagem. O7: Utilizar as bibliotecas OpenCV e Tensorflow com vista ao desenvolvimento de aplicações de análise de imagens
Conteúdos Programáticos / Syllabus
CP1 ? Aquisição e representação de imagens CP2 ? Operações com imagens e extração de características CP3 ? Introdução à aprendizagem automática: redes neuronais shallow CP4 ? Redes neuronais convolucionais CP5 ? Transferência de conhecimento CP6 ? Arquiteturas de redes para deteção e identificação de objetos CP7 - Projeto
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Conteúdos Programático (CP) -> Objetivos de Aprendizagem (OA) CP1 -> OA1, OA7 CP2 -> OA2, OA7 CP3 -> OA3, OA7 CP4 -> OA4, OA7 CP5 -> OA5, OA7 CP6 -> OA6, OA7
Avaliação / Assessment
A avaliação da UC é baseada no desenvolvimento de um projeto: - implementação de uma solução (70%); - relatório, no formato de artigo (15%); - apresentação (15%). A assiduidade não é usada como critério de avaliação ou reprovação. Dada a natureza prática dos conteúdos da UC, não está prevista a realização de exame.
Metodologias de Ensino / Teaching methodologies
Durante a primeira parte do semestre, são lecionadas aulas teórico-práticas 3h, que alternam entre momentos de exposição e momentos de aplicação, com exemplos e exercícios que implicam o desenvolvimento de trechos de código usando as bibliotecas OpenCV e Tensorflow. A segunda parte do semestre é essencialmente dedicada ao desenvolvimento do projeto, havendo também momentos pontuais para realização de apresentações por parte dos estudantes.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os exemplos e exercícios realizados durante as aulas cobrem todos os objetivos de aprendizagem da UC. O projeto desenvolvido na UC pretende cobrir com maior profundidade os objetivos de aprendizagem, incidindo de forma mais significativa nos objetivos O4 a O7. O documento de Planeamento da Unidade curricular, detalhado para cada aula, evidencia a relação entre os métodos pedagógicos usados e os objetivos de aprendizagem definidos anteriormente.
Observações / Observations
O projeto da UC irá incidir sobre um problema em particular, definido num enunciado produzido pela equipa docente. No entanto, é oferecida a possibilidade aos estudantes de definirem problemas diferentes do que for definido no enunciado do projeto. Nesses casos os estudantes deverão apresentar atempadamente uma proposta à equipa docente. Essa proposta fica sujeita a aprovação, tendo em conta os objetivos da UC que forem cobertos pela proposta, o grau de dificuldade, a originalidade e o conjunto de imagens disponíveis para realizar o trabalho. Os estudantes que apresentarem propostas que não sejam aprovadas deverão realizar o trabalho definido no enunciado produzido pela equipa docente.
Bibliografia Principal / Main Bibliography
? Tutoriais e documentação das bibliotecas OpenCV e Tensorflow ? Materiais da UC disponibilizados na plataforma de e-learning
Bibliografia Secundária / Secondary Bibliography
? Feature Extraction and Image Processing for Computer Vision, 4th Edition, M. Nixon e A. Aguado, Academic Press, 2019 ? Deep Learning, I. Goodsfellow, Y. Bengio e A. Courville, MIT Press, 2016 ? Learning OpenCV 4 with Python 3, 3rd Edition, Joseph Howse, Joe Minichino, Packt Publishing, 2020
Data da última atualização / Last Update Date
2024-02-16