Aprenentatge Automàtic als Gràfics per Computador

Crèdits
3
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
UB
Mail
ricardo.marques@ub.edu
L'aplicació de tècniques d'aprenentatge automàtic (ML) en gràfics per ordinador (CG) augmenta ràpidament. Els càlculs massius necessaris en moltes aplicacions CG juntament amb la capacitat de ML per a identificar i explorar la coherència en aquests càlculs condueixen a una simbiosi natural dels dos camps. Aquest curs proporcionarà una visió general de les aplicacions recents de ML per a resoldre problemes de CG amb un enfocament en aplicacions de renderització fotorealistes, permetent als estudiants vincular diferents tècniques de ML amb casos d'aplicacions pràctiques en CG.

Professorat

Responsable

  • Ricardo Jorge Rodrigues Sepúlveda Marques (ricardo.marques@ub.edu)

Hores setmanals

Teoria
1
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
3.8

Competències

Competències Tècniques Generals

Genèriques

  • CG2 - Capacitat per a dirigir, planificar i supervisar equips multidisciplinaris.
  • CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.

    • Competències Tècniques de cada especialitat

    Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA12 - Capacitat de comprendre les tècniques avançades d'Enginyeria del Coneixement, Aprenentatge Automàtic i Sistemes de Suport a la Decisió, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

    • Professionals

  • CEP1 - Capacitat de resoldre les necessitats d'anàlisi de la informació de les diferents organitzacions, tot identificant les fonts d'incertesa i variabilitat.
  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
  • CEP4 - Capacitat per dissenyar, redactar i presentar informes sobre projectes informaticos en l'area especifica d'Intel·ligència Artificial.

    • Competències Transversals

    Treball en equip

  • CT3 - Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o duent a terme tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos considerant els recursos disponibles.

    • Ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

    • Raonament

  • CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

    • Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

    • Bàsiques

  • CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
  • CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
  • CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma.

    • Objectius

    1. Adquirir una visió general del camp de la gràfica per ordinador, i de les tècniques de renderització basades en la física en particular.
      Competències relacionades: CB6, CB9, CT3, CT6, CT7, CEA13, CG2,
      Subcompetences
      • Visió general del camp de gràfics per ordinador i els principals reptes actuals.
      • Detalls sobre el problema encara obert de la renderització basada en la física (PBR) i l'equació de transport de la llum (LTE) en què ens centrarem durant aquest curs.
    2. Obtenir una comprensió detallada dels mètodes de Monte Carlo per a la renderització basada en la física
      Competències relacionades: CB6, CB8, CB9, CT3, CT4, CT6, CT7, CEA13, CEP1, CG2, CG3,
      Subcompetences
      • Comprendre com millorar el rendiment dels mètodes de Monte Carlo mitjançant tècniques de reducció de variància i les principals limitacions dels enfocaments típics.
      • Detalles sobre l'ús dels mètodes de Monte Carlo per a PBR.
      • Comprendre per què els mètodes de Monte Carlo són necessaris i omnipresents en la síntesi d'imatges fotorealistes
    3. Aprendre i experimentar amb tècniques d'aprenentatge automàtic (ML) per potenciar els mètodes de Monte Carlo aplicats a PBR.
      Competències relacionades: CB8, CB9, CT3, CT4, CT6, CT7, CEA12, CB6, CEA13, CEA3, CEP1, CEP3, CEP4, CG2, CG3,
      Subcompetences
      • Análisi dels diferents enfocaments basats en ML per a superar algunes de les limitacions dels mètodes de Monte Carlo per a PBR.

    Continguts

    1. Bloc 1: Introducció als gràfics per ordinador i a les tècniques de renderitzat
      Aquest primer bloc proporciona una visió general del camp de gràfics per ordinador i els principals reptes actuals. També proporcionarà detalls sobre el problema encara obert de la renderització basada en la física (PBR) i l'equació de transport de la llum (LTE) en què ens centrarem durant aquest curs.
    2. Bloc 2: Mètodes de Monte Carlo per a la renderització basada en la física
      Aquest bloc presenta l'ús dels mètodes de Monte Carlo per a PBR. Veurem per què els mètodes de Monte Carlo són necessaris i omnipresents en la síntesi d'imatges fotorealistes, com millorar el seu rendiment mitjançant tècniques de reducció de variància i les principals limitacions dels enfocaments típics.
    3. Bloc 3: Aprenentatge Automàtic (ML) per a potenciar els mètodes de Monte Carlo aplicats a PBR
      En aquest tercer bloc tractarem diferents enfocaments basats en ML per a superar algunes de les limitacions identificades al bloc anterior.

    Activitats

    Activitat Acte avaluatiu




    Presentació Estudiants

    Presentació Estudiants
    Objectius: 3
    Continguts:
    Teoria
    1h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    3h

    Metodologia docent

    L'horari setmanal d'activitats presencials es distribueix en dues hores de classe que inclou teoria i pràctica.

    En la mesura del possible, la perspectiva de gènere s'incorporarà al desenvolupament de l'assignatura. A més, els professors estaran atents a aquelles necessitats específiques de gènere que els estudiants puguin plantejar, com ara poder triar una parella del mateix gènere si es realitza un treball en grup o ser capaç de plantejar reptes contra la bretxa de gènere.

    Mètode d'avaluació

    El curs seguirà una avaluació contínua que consisteix en:

    Projecte pràctic (60%) + Presentació i informe sobre un treball de recerca (40%).

    Els estudiants treballaran en grups. Les notes per a presentacions orals, desenvolupament de projectes i informes presentats s'atorgaran de manera individual.

    Bibliografia

    Bàsic

    Complementari