Tribunal titular

Cargo

Departamento

Profesor

Presidente

ING.MECANICA,INFORMAT.AEROESP.

MATELLAN OLIVERA , VICENTE

Secretario

ING.ELECTR.DE SIST. Y AUTOMATI

FOCES MORAN , JOSE MARIA

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

GARCIA RODRIGUEZ , ISAIAS

Tribunal suplente

Cargo

Departamento

Profesor

Presidente

ING.MECANICA,INFORMAT.AEROESP.

FERNANDEZ LLAMAS , CAMINO

Secretario

ING.MECANICA,INFORMAT.AEROESP.

RODRIGUEZ DE SOTO , ADOLFO

Vocal

ING.ELECTR.DE SIST. Y AUTOMATI

RODRIGUEZ SEDANO , FRANCISCO JESUS

Básica

Richard Szeliski. Computer Vision: Algorithms and Applications, Springer, 2011

(pdf available online: http://szeliski.org/Book/)

Pattern Classification (2nd Edition), by R.O. Duda, P.E. Hart, and D.G. Stork, Wiley-Interscience, 2000.

Alegre, E., Sánchez, L., Fernández, R.A. y Mostaza, J.C. (2003). Procesamiento Digital de Imagen: Fundamentos y Prácticas con Matlab. Secretariado de Publicaciones y Medios Audiovisuales de la Universidad de León.

González, R. C. y Woods, R. E. (2008). Digital Image Processing (Third Edition). Prentice Hall.

Introduction to Machine Learning. 2nd Edition. Ethem Alpaydin. The MIT Press, 2010.

Principles of Data Mining, Max Bramer, Springer-Verlag, 2007,

Combining Pattern Classifiers: Methods and Algorithms, L. Kuncheva, Wiley, Second Edition, 2014

Complementaria

Pajares, G y de la Cruz, J.M. (2001). Visión por Computador. Ra-ma.

González, J. (2000). Visión por Computador. Paraninfo.

González, R. C. y Woods, R. E. (1996). Tratamiento digital de imágenes. Addison-Wesley /Diaz de Santos.

Shapiro, L. & Stockman G. (2001). Computer Vision. Prentice-Hall.

Parker, J.R. (1997). Algorithms for image processing and computer vision. John Wiley & Sons, Inc.

Trucco, E. & Verri, A. (1998). Introductory Techniques for 3-D Computer Vision. Prentice-Hall.

Maravall, D. (1993). Reconocimiento de formas y visión artificial. Ra-ma

Davies, E.R. (1996). Machine Vision: Theory, Alforithms, Practicalities. Academic Press.

Tipo A	Código	Competencias Específicas
	A13233	715CB9 Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades.
	A13249	715TI10 Capacidad para utilizar y desarrollar metodologías, métodos, técnicas, programas de uso específico, normasy estándares de computación gráfica.
	A13260	715TR1 Trabajo en equipo: Capacidad de compromiso con un equipo, hábito de colaboración y trabajo solucionando conflictos que puedan surgir.
	A13261	715TR3 Toma de decisiones y solución de problemas: localización del problema, identificar causas y alternativas de solución, selección y evaluación de la más idónea.
Tipo B	Código	Competencias Generales y Transversales
	B3064	715CB10 Que los estudiantes posean las habilidades de aprendizaje que les permita continuar estudiando de un modeo que habrá de ser en gran medida autodirigida o autónomo.
	B3065	715CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
	B3066	715CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
	B3068	715CB9 Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades.
Tipo C	Código	Competencias Básicas
	C1	Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
	C3	Que los estudiantes sepan comunicar sus conclusiones (y los conocimientos y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades.

Resultados	Competencias
Comprender los principales conceptos relacionados con la visión por computador y con técnicas de aprendizaje. Entender y saber programar técnicas de descripción, reconocimiento de objetos, clasificación y métodos de aprendizaje automático. Aprender a utilizar Python para programar aplicaciones sencillas de visión artificial, clasificación y aprendizaje. Ser capaz de utilizar las técnicas de visión y aprendizaje aprendidas para resolver nuevos problemas.	A13233 A13249 A13260 A13261	B3064 B3065 B3066 B3068	C1 C3

Bloque	Tema
Bloque I: TEORÍA	Tema 1: CONCEPTOS BÁSICOS DE VISIÓN POR COMPUTADOR Conceptos, Sistemas de Visión, Imagen Digital, Preprocesamiento, Descriptores de Imagen Tema 2. DESCRIPCIÓN Y RECUPERACIÓN DE OBJETOS Detectores de bordes. Detectores de esquinas. Blobs y descriptores SIFT Tema 3. APRENDIZAJE AUTOMÁTICO Aprendizaje Automático, Clasificación supervisada paramétrica. Clasificación supervisada no paramédica. Evaluación de clasificadores: métricas y técnicas. Comités de clasificadores (ensemble learning). Aprendizaje no supervisado. Tema 4. CLASIFICACIÓN DE IMÁGENES Introducción. Descripción. KMeans. BoW para representación de imágenes. Clasificación con SVM. Tema 5. APRENDIZAJE PROFUNDO Partes fundamentales de las redes neuronales. Función de coste. Entrenamiento de redes neuronales. Optimización.
Bloque II: PRÁCTICAS	Las sesiones prácticas se llevarán a cabo utilizando Python 3.X. Un entorno con este lenguaje se encontrará disponible en el laboratorio aunque se recomienda que el alumno lo instale en su propio ordenador. Las sesiones prácticas se orientarán a aprender inicialmente los fundamentos de Python. Posteriormente, diversas librerías relacionadas con visión y aprendizaje se aplicarán en problemas relacionados con la descripción de imágenes y su clasificación.

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Resolución de problemas/ejercicios en el aula ordinaria	12	0	12

Prácticas en laboratorios	40.5	0	40.5
Trabajos	25	0	25

Sesión Magistral	31	0	31

Pruebas de desarrollo	4	0	4

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

	descripción
Resolución de problemas/ejercicios en el aula ordinaria	Ejercicios resueltos en el encerado y también mediante diapositivas y ejemplos. También se podrán dejar ejercicios en Agora, con soluciones, la mayoría de las veces también con ejemplos resueltos en Excel.
Prácticas en laboratorios	Prácticas guiadas para la programación y evaluación de métodos y técnicas explicadas en clase. Las prácticas se realizarán siguiendo los guiones dejados en Agora. Las dudas se resolverán consultando al profesor. Se entregará su solución en una tarea habilitada para ello en Agora.
Trabajos	Cada alumno estudiará un tema específico. Realizará una explicación general de dicho tema y se centrará en algún aspecto concreto, siguiendo la estructura que se indicará a través del Ágora.
Sesión Magistral	Sesiones teóricas en el aula utilizando diapositivas. También se podrán dejar presentaciones o documentos correspondientes a los materiales de cada lección en Agora y se pondrá un foro de dudas. Las lecciones podrán ir acompañadas de vídeos relacionados con los conceptos presentados, algunos grabados por los profesores y otros procedentes de recursos de internet que los profesores consideren especialmente apropiados. Algunas lecciones irán acompañadas de un cuestionario con preguntas, que podrán ser tanto teóricas como prácticas, cuyas entregas serán evaluables. Se podrán utilizar cursos de la plataforma Datacamp o cursos similares para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios.

	descripción	calificación
Trabajos	El alumno elegirá un tema de los propuestos por el profesor y tendrá que estudiarlo y defenderlo. Se valorará el material que elabore y la defensa que realice de dicho tema. El tema puede tener una parte práctica. Además, para superar el curso, es condición necesaria realizar correctamente todas las entregas que se soliciten y superar además un examen de validación.	50
Pruebas de desarrollo	La asignatura se evaluará mediante un examen final y a través de su correspondiente examen de validación. El examen final consistirá en cuestiones sobre los conceptos teóricos vistos en las clases y en los laboratorios.	25
Otros	Se evaluarán las actividades presentadas por los alumnos. El alumno deberá entregar todas las actividades indicadas como obligatorias que serán evaluadas por el profesorado. Para aprobar el curso, debe entregarse correctamente al menos el 50% de las actividades obligatorias. También se valorará la participación en la asignatura.	25

Otros comentarios y segunda convocatoria
<p>Las entregas retrasadas sufrirán una penalización en la nota.</p><div>Los alumnos que no superen alguna de las asignaciones (homework) o el proyecto final (Final Project) en la evaluación continua, podrán entregar lo que les falte en el periodo correspondiente a la primera convocatoria ordinaria. </div><div><br /></div><div>Para superar la asignatura en la segunda convocatoria ordinaria, el alumno deberán entregar las asignaciones solicitadas y el proyecto final (homeworks y FinalProject) que será objeto de examen.<br /></div><div><br /></div>


Otros comentarios
Se recomienda haber cursado previamente el curso de Visión Artificial que se imparte en el 8º semestre del Grado en Ingeniero en Informática, Universidad de Leon. Cualquier curso recibido sobre Visión por Computador o Aprendizaje Automático ayudará al estudiante a seguir esta materia. Se recomienda un nivel medio de programación, a ser posible en Python.