Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
NA
Objetivos Gerais / Objectives
O principal objetivo deste curso é fornecer aos alunos uma compreensão dos métodos computacionais fundamentais e avançados utilizados na manipulação e análise de imagens, com foco na extração automática de conhecimento. O curso cobrirá técnicas para extrair características de imagem que podem ser utilizadas tanto em algoritmos tradicionais de aprendizado de máquina quanto em técnicas mais recentes de aprendizado profundo, especificamente redes neurais convolucionais. O curso dara uma visão geral da extração de características de imagem, abrangendo uma série de métodos e algoritmos. Com enfase nas redes neurais convolucionais (CNNs). O curso tem como objetivo familiarizar os alunos com ferramentas práticas habitualmente utilizadas nos domínios da visão computacional e da aprendizagem automática (biblioteca OpenCV, biblioteca Tensorflow)
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1: Compreensão Teórica: Explicar os fundamentos teóricos da aprendizagem profunda, incluindo RN, backpropagation e técnicas de otimização. Descrever arquiteturas populares de RN, como CNNs, RNNs, LSTMs e GANs. OA2: Aplicação Prática: Implementar e treinar modelos de aprendizagem profunda utilizando frameworks como TensorFlow, Keras, OpenCV e PyTorch. Aplicar técnicas de deep learning a problemas específicos em visão computacional (e.g., reconhecimento de imagem), processamento de linguagem natural e IA generativa OA3: Análise e Avaliação: Avaliar a performance dos modelos de aprendizagem profunda utilizando métricas apropriadas. Identificar e resolver problemas de overfitting, underfitting e outras questões relacionadas ao treinamento de modelos. OA4: Projeto e Implementação: Desenvolver projetos aplicados que utilizem aprendizagem profunda para resolver problemas práticos. Integrar técnicas de IA generativa em projetos, como redes Generative Adversarial Networks (GANs) e transformadores.
Conteúdos Programáticos / Syllabus
PC1 Representação e operações em imagens PC2 Extração de características de imagem PC3 Introdução à aprendizagem automática PC4 Redes neuronais clássicas PC5 Redes neuronais convolucionais PC6 Transferência de conhecimento PC7 Redes Neuronais Recorrentes (RNNs) e LSTMs para processamento sequencial. PC8 Generative Adversarial Networks (GANs) PC9 Arquiteturas de redes para deteção e identificação de objetos PC10 Arquiteturas de redes para geração automática de conteúdos PC11 Projeto Aplicado
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
PC1 orientado ao OA2 e OA3, PC2 orientado ao OA2 e OA3, PC3 orientado ao OA1, OA2 e OA3, PC4 orientado ao OA2 e OA3, PC5 orientado ao OA2 e OA3, PC6 orientado ao OA2 e OA3, PC7 orientado ao OA2 e OA3, PC8 orientado ao OA2, OA3 OA4, PC9 orientado ao OA2 e OA4, PC10 orientado ao OA2, OA3 e OA4, PC11 orientado ao OA4.
Avaliação / Assessment
Entrega de 10 tarefas, respondendo aos critérios de cada solicitação do docente, com o peso de 50% da nota final e classificação mínima de 8,5 valores. As tarefas incluem atividades, desenvolvidas individualmente ou em grupo, nas sessões síncronas e em sessões assíncronas agendadas pelo docente, bem como intervenções em fóruns de discussão mediados. - Projeto de aplicação previamente estabelecido pelo docente e respetiva discussão oral em grupo, com o peso de 50% na nota final e classificação mínima de 8,5 valores. A média final terá de ser igual ou superior a 9,5 valores. De acordo com o Regulamento Geral de Avaliação de Conhecimentos e Competências do Iscte, esta UC é classificada como UC de projeto, pelo que não contempla avaliação por exame.
Metodologias de Ensino / Teaching methodologies
A UC Aprendizagem Profunda Aplicada adotará como metodologia de ensino e aprendizagem central a Aprendizagem Baseada em Estudos de Caso, combinada com Aprendizagem Baseada em Tarefas. A gamificação será utilizada como estratégia de motivação e envolvimento dos estudantes. Esta abordagem pedagógica está articulada com o modelo pedagógico do Iscte porque o estudante é considerado um agente ativo no seu processo de aprendizagem, o conhecimento é trabalhado como uma ferramenta para a construção e desenvolvimento de mais conhecimento e aplicado em diversos contextos.
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
As metodologias de ensino foram selecionadas de forma a corresponder aos objetivos de aprendizagem da UC. Através de uma combinação de momentos de aprendizagem online síncrona e assíncrona, os estudantes irão realizar tarefas com diferentes níveis de apoio e orientação docente ao longo da UC que lhes permitirá, numa primeira fase compreender os princípios e conceitos da Aprendizagem Profunda e posteriormente, analisar as suas implicações nas organizações e na sociedade. Irão ainda aplicar conhecimentos teóricos e desenvolver competências de análise e pensamento crítico, necessários à identificação dos principais desafios e oportunidades da Aprendizagem Profunda. O docente dará feedback (corretivo e/ou cognitivo) sobre as tarefas e estudos de caso. Os estudantes irão ainda explorar casos de estudo de sucesso e boas práticas da Aprendizagem Profunda através da utilização de casos reais ou fictícios como ponto de partida para a aprendizagem. Os estudantes terão acesso a informações detalhadas sobre o caso, incluindo contexto, personagens e problemas específicos a serem resolvidos. Seguirão uma sequência predefinida de análise, discussão e solução do caso. Esta abordagem permitirá que os estudantes estabeleçam conexões entre os conhecimentos teóricos e práticos, permitindo-lhes avaliar o impacto da Aprendizagem Profunda em diferentes setores. Como estratégia de motivação, a unidade curricular incluirá a gamificação ao longo do semestre, onde serão atribuídos pontos aos estudantes à medida que os estudos de caso forem explorados com sucesso, garantindo o seu envolvimento ao longo da UC.
Observações / Observations
Assíncrona: T=2; TP=14 Síncrona: TP=8; OT=1
Bibliografia Principal / Main Bibliography
Generative Deep Learning - Teaching Machines To Paint, Write, Compose, And Play
Generative AI with Python and TensorFlow 2: Create images, text, and music with VAEs, GANs, LSTMs, Transformer models.
Tutoriais e documentação das bibliotecas OpenCV e Tensorflow
Learning OpenCV 4 with Python 3
Deep Learning
Feature Extraction and Image Processing for Computer Vision
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2024-06-07