{"id":6034,"date":"2023-08-30T15:01:09","date_gmt":"2023-08-30T18:01:09","guid":{"rendered":"https:\/\/www.inf.ufrgs.br\/ppgc\/?page_id=6034"},"modified":"2024-02-26T14:53:14","modified_gmt":"2024-02-26T17:53:14","slug":"cmp620","status":"publish","type":"page","link":"https:\/\/www.inf.ufrgs.br\/ppgc\/disciplinas\/lista-de-disciplinas\/cmp620\/","title":{"rendered":"CMP620"},"content":{"rendered":"

DISCIPLINA: CMP620 \u2013 T\u00f3picos Especiais: Introdu\u00e7\u00e3o a Deep Learning para Computa\u00e7\u00e3o Visual
\n<\/strong><\/p>\n

Professor<\/strong>:\u00a0 Claudio Rosito Jung
\n Carga Hor\u00e1ria<\/strong>: 60 horas
\nCr\u00e9ditos:<\/strong> 4
\nPr\u00e9-requisitos<\/strong>: nenhum
\nPer\u00edodo Letivo<\/strong>: 2023\/2
\nPer\u00edodo de In\u00edcio de Validade<\/strong>: 2023\/2<\/p>\n

S\u00famula<\/strong>
\n1.<\/strong> Redes Neurais Convolucionais.
\n2.<\/strong> Classifica\u00e7\u00e3o de Imagens.
\n3.<\/strong> Detec\u00e7\u00e3o de Objetos.
\n4. <\/strong>Segmenta\u00e7\u00e3o de Imagens.
\n5.<\/strong> Modelos Generativos.
\n6.<\/strong> T\u00f3picos especiais em Deep Learning.<\/p>\n

Curr\u00edculos<\/strong>
\n(PPGC e Eletiva para a gradua\u00e7\u00e3o) – BACHARELADO EM CI\u00caNCIA DA COMPUTA\u00c7\u00c3O
\n(PPGC) – ENGENHARIA DA COMPUTA\u00c7\u00c3O<\/p>\n

Descri\u00e7\u00e3o<\/strong>
\nEste curso oferece uma introdu\u00e7\u00e3o a deep learning, abordando a teoria e a pr\u00e1tica das
\nredes neurais profundas e sua aplica\u00e7\u00e3o a problemas do mundo real. O curso explora
\nresultados de pesquisas recentes em deep learning e apresenta aplica\u00e7\u00f5es em diversas
\n\u00e1reas de computa\u00e7\u00e3o visual (vis\u00e3o computacional, processamento de imagens, e s\u00edntese
\nde imagens).<\/p>\n

Objetivos
\n<\/strong>Ao final do curso, os alunos devem ser capazes de:
\n– Projetar e treinar redes neurais profundas usando frameworks e APIs populares de aprendizado profundo, como TensorFlow, Keras ou PyTorch;
\n– Aplicar t\u00e9cnicas de aprendizado profundo a problemas em computa\u00e7\u00e3o visual;
\n– Avaliar e comparar diferentes arquiteturas e t\u00e9cnicas de aprendizado profundo para aplica\u00e7\u00f5es espec\u00edficas;
\n– Ser capaz de aplicar esse conhecimento a seus pr\u00f3prios projetos.<\/p>\n

Conte\u00fado program\u00e1tico<\/strong>
\n1. Introdu\u00e7\u00e3o
\n2. Redes Neurais Convolucionais (CNNs)
\n3. Classifica\u00e7\u00e3o de Imagens
\n4. Detec\u00e7\u00e3o de Objetos
\n5. Segmenta\u00e7\u00e3o de Imagens
\n6. Modelos Generativos
\n7. Ajuste de Modelos e Limita\u00e7\u00f5es
\n8. T\u00f3picos Especiais<\/p>\n

Crit\u00e9rios de Avalia\u00e7\u00e3o<\/strong>
\nOs alunos ser\u00e3o avaliados com base no desempenho nas provas, trabalhos pr\u00e1ticos e no projeto final, bem como por suaparticipa\u00e7\u00e3o em aula. As provas, trabalhos e projeto final ser\u00e3o avaliados com nota entre 0.0 e 10.0. Conforme regulamento da Universidade, a frequ\u00eancia \u00e0s aulas \u00e9 obrigat\u00f3ria.<\/p>\n

Ao longo do semestre, ser\u00e3o realizados:
\ni. Duas provas, P1, na metade do semestre, e P2, prova final. P1 corresponder\u00e1 a 15% da
\nnota final; P2, a 20% da nota final;
\nii. Trabalhos Pr\u00e1ticos (TP) correspondendo a 30% da nota final;
\niii. Um projeto final (PF) da disciplina, a ser realizado em grupos de at\u00e9 dois estudantes,
\nrepresentando 30% da nota final.<\/p>\n

Al\u00e9m disso, ser\u00e1 atribu\u00edda nota pela participa\u00e7\u00e3o (NP) em sala de aula, o que representar\u00e1 5% da nota final. A realiza\u00e7\u00e3o dos trabalhos \u00e9 obrigat\u00f3ria, mesmo que o aluno obtenha bons resultados nas provas.<\/p>\n

A m\u00e9dia geral (MG) ser\u00e1 obtida por meio da seguinte f\u00f3rmula:
\nMG = 0,15 * P1+ 0.20* P2 + 0.30*TP + 0.30* PF + 0.05* NP<\/p>\n

A convers\u00e3o da MG para conceitos \u00e9 feita por meio da seguinte tabela:
\n9,0 < MG <= 10,0: conceito A (aprovado).
\n7,5 < MG <= 9,0: conceito B (aprovado).
\n6,0 <= MG <= 7,5: conceito C (aprovado).
\nMG < 6,0: sem conceito (recupera\u00e7\u00e3o).<\/p>\n

Atividades de Recupera\u00e7\u00e3o Previstas<\/strong>
\nSomente ser\u00e3o calculadas as m\u00e9dias gerais daqueles estudantes que tiverem, ao longo do semestre, obtido um \u00edndice de frequ\u00eancia \u00e0s aulas igual ou superior a 75% das aulas previstas. Aos que n\u00e3o satisfizerem este requisito, ser\u00e1 atribu\u00eddo o conceito FF (Falta de Frequ\u00eancia).<\/p>\n

RECUPERA\u00c7\u00c3O: Estudantes cujas m\u00e9dias gerais forem inferiores a 6,0 (seis) poder\u00e3o prestar prova de recupera\u00e7\u00e3o (PR), a qual versar\u00e1 sobre toda a mat\u00e9ria da disciplina. Neste caso, a nota final (NF) ser\u00e1 calculada como NF = 0,6xPR + 0,4xMG. Ser\u00e3o considerados(as) aprovados(as) os(as) estudantes que obtiverem nota final maior or igual a 6,0 (NF >= 6,0). A estes(as) ser\u00e1 atribu\u00eddo o conceito C. Aos demais, o conceito D. N\u00e3o h\u00e1 recupera\u00e7\u00e3o das provas P1 e P2 por n\u00e3o comparecimento, exceto nos casos previstos na legisla\u00e7\u00e3o (sa\u00fade, parto, servi\u00e7o militar, convoca\u00e7\u00e3o judicial, luto etc., devidamente comprovados).<\/p>\n

Bibliografia<\/strong><\/p>\n