Visión por computadora

Dirigido a:
. Ingenieros/as o licenciado/as en áreas afines a la electrónica, informática y/o computación

Objetivos:
. Introducir a los/as estudiantes en la visión por computadora
. Comprender el significado de terminología fundamental de la visión por computadora tal que posibilite la interacción fluida con expertos en esa área
. Adquirir conocimientos apropiados para determinar si un problema es plausible de ser abordado mediante tecnologías de visión por computadora
. Conocer ejemplos de aplicación de la visión por computadora

Temario:
:: Asignatura: Introducción a la inteligencia artificial
. Introducción, Python y librerías de IA
. Inteligencia artificial. Fundamentos y objetivos. Resolución de problemas con IA
. Métodos de optimización. Gradiente Descendente, Recocido simulado y algoritmo genético
. Fundamentos de aprendizaje automático. Sesgo y varianza. Sensibilidad y especificidad. Precisión y exhaustividad
. Aprendizaje estadístico. Riesgo empírico. Datos. Entrenamiento, validación y testeo
. Regresión Lineal. Regularización, Regresión Lasso y Ridge
. Problema de clasificación. Regresión logística. Clasificador Bayesiano. Naive Bayes. Curva ROC
. Aprendizaje por refuerzo. Algoritmos para el control de aprendizaje
:: Asignatura: Aprendizaje profundo
. Redes neuronales feedforward
. Funciones de activación. Funciones de pérdida. Algoritmos de optimización
. Regularización y ajustes de hiperparámetros en redes neuronales
. Pytorch
. Capa embeddings
. Redes neuronales convolucionales
. Redes neuronales recurrentes. Capa attention
. Redes neuronales autoencoder
. Aprendizaje por transferencia
. Redes neuronales adversarias generativas
:: Asignatura: Visión por computadora I
. Introducción a imágenes, sistemas de visión, espacios de color y OpenCV
. Operadores de píxel, histogramas, binarización, coordenadas cromáticas
. Filtros convolucionales, no lineales, padding, DoG, Fourier, Canny
. Template matching, descriptores, Harris, Transformada de Hough, pirámides
. Extracción de características, SIFT, SURF, ORB, FAST, RANSAC, homografía
. Segmentación, Introducción a tracking y procesamiento de video
. Procesamiento de video, gstreamer, tracking, optical flow, detección de fondo
. Visión estéreo, calibración de cámaras, estimación de profundidad
:: Asignatura: Visión por computadora II
. Clasificación de imágenes: AlexNet, VGGNet, ResNet, Inception
. Data Augmentation
. Transfer Learning
. Detección de objetos: Faster R-CNN, YOLO, SSD, etc.
. Segmentación semántica y de instancias: U-Net y Mask R-CNN
. GradCAM
. Aprendizaje no supervisado aplicado a imágenes
. Visual Transformers
. Neural Style Transfer
:: Asignatura: Visión por computadora III
. Arquitectura de Transformers e imágenes como secuencias
. Arquitecturas de ViT y el mecanismo de Attention
. Ecosistema actual, Huggingface y modelos pre entrenados
. Diffusion, GPT y modelos generativos
. Modelos multimodales: combinación de visión y lenguaje
. Segmentación con SAM y herramientas de auto etiquetado multimodales
. OCR y detección con modelos multimodales

Docentes:
Facundo Adrián Lucciana
Marcos Uriel Maillot
Maximiliano Torti

Duración:
120 horas

Fecha de inicio:
Lunes 3 de marzo de 2025

Horario:
De 10.00 a 13.00

Informes e inscripción:
Laboratorio de Sistemas Embebidos: inscripcion.lse@fi.uba.ar