Lista de Disciplinas | CMP620

DISCIPLINA: CMP620 – Tópicos Especiais: Introdução a Deep Learning para Computação Visual

Professor:  Claudio Rosito Jung
Carga Horária: 60 horas
Créditos: 4
Pré-requisitos: nenhum
Período Letivo: 2023/2
Período de Início de Validade: 2023/2

Súmula
1. Redes Neurais Convolucionais.
2. Classificação de Imagens.
3. Detecção de Objetos.
4. Segmentação de Imagens.
5. Modelos Generativos.
6. Tópicos especiais em Deep Learning.

Currículos
(PPGC e Eletiva para a graduação) – BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO
(PPGC) – ENGENHARIA DA COMPUTAÇÃO

Descrição
Este curso oferece uma introdução a deep learning, abordando a teoria e a prática das
redes neurais profundas e sua aplicação a problemas do mundo real. O curso explora
resultados de pesquisas recentes em deep learning e apresenta aplicações em diversas
áreas de computação visual (visão computacional, processamento de imagens, e síntese
de imagens).

Objetivos
Ao final do curso, os alunos devem ser capazes de:
– Projetar e treinar redes neurais profundas usando frameworks e APIs populares de aprendizado profundo, como TensorFlow, Keras ou PyTorch;
– Aplicar técnicas de aprendizado profundo a problemas em computação visual;
– Avaliar e comparar diferentes arquiteturas e técnicas de aprendizado profundo para aplicações específicas;
– Ser capaz de aplicar esse conhecimento a seus próprios projetos.

Conteúdo programático
1. Introdução
2. Redes Neurais Convolucionais (CNNs)
3. Classificação de Imagens
4. Detecção de Objetos
5. Segmentação de Imagens
6. Modelos Generativos
7. Ajuste de Modelos e Limitações
8. Tópicos Especiais

Critérios de Avaliação
Os alunos serão avaliados com base no desempenho nas provas, trabalhos práticos e no projeto final, bem como por suaparticipação em aula. As provas, trabalhos e projeto final serão avaliados com nota entre 0.0 e 10.0. Conforme regulamento da Universidade, a frequência às aulas é obrigatória.

Ao longo do semestre, serão realizados:
i. Duas provas, P1, na metade do semestre, e P2, prova final. P1 corresponderá a 15% da
nota final; P2, a 20% da nota final;
ii. Trabalhos Práticos (TP) correspondendo a 30% da nota final;
iii. Um projeto final (PF) da disciplina, a ser realizado em grupos de até dois estudantes,
representando 30% da nota final.

Além disso, será atribuída nota pela participação (NP) em sala de aula, o que representará 5% da nota final. A realização dos trabalhos é obrigatória, mesmo que o aluno obtenha bons resultados nas provas.

A média geral (MG) será obtida por meio da seguinte fórmula:
MG = 0,15 * P1+ 0.20* P2 + 0.30*TP + 0.30* PF + 0.05* NP

A conversão da MG para conceitos é feita por meio da seguinte tabela:
9,0 < MG <= 10,0: conceito A (aprovado).
7,5 < MG <= 9,0: conceito B (aprovado).
6,0 <= MG <= 7,5: conceito C (aprovado).
MG < 6,0: sem conceito (recuperação).

Atividades de Recuperação Previstas
Somente serão calculadas as médias gerais daqueles estudantes que tiverem, ao longo do semestre, obtido um índice de frequência às aulas igual ou superior a 75% das aulas previstas. Aos que não satisfizerem este requisito, será atribuído o conceito FF (Falta de Frequência).

RECUPERAÇÃO: Estudantes cujas médias gerais forem inferiores a 6,0 (seis) poderão prestar prova de recuperação (PR), a qual versará sobre toda a matéria da disciplina. Neste caso, a nota final (NF) será calculada como NF = 0,6xPR + 0,4xMG. Serão considerados(as) aprovados(as) os(as) estudantes que obtiverem nota final maior or igual a 6,0 (NF >= 6,0). A estes(as) será atribuído o conceito C. Aos demais, o conceito D. Não há recuperação das provas P1 e P2 por não comparecimento, exceto nos casos previstos na legislação (saúde, parto, serviço militar, convocação judicial, luto etc., devidamente comprovados).

Bibliografia

• Chollet, François. Deep Learning with Python, Second Edition. Manning, 2021. ISBN 978-1617296864.
• Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron. Deep Learning. The MIT Press, 2016. ISBN 978-0262035613. Versão eletrônica disponível gratuitamente em https://www.deeplearningbook.org/.
• Glassner, Andrew. Deep Learning: A Visual Approach. No Starch Press, 2021. ISBN 978-1718500723.
• Ekman, Magnus. Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using TensorFlow. Addison-Wesley Professional, 2021. ISBN 978-0137470358.
• Bishop, Christopher. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387310732.
• Google Colab Notebooks
• Artigos de conferências e periódicos.