PSI3471 (2022):
Fundamentos de Sistemas Eletrônicos Inteligentes
Informações
sobre o curso (2022):
Este curso será dado por
mim (Hae) e pelo prof. Magno. Ele está dividido em 3 partes:
Parte 1 – Hae: Introdução à aprendizagem de máquina.
Parte 2 – Magno: Redes neurais artificiais.
Parte 3 – Hae: Aplicações de aprendizagem de máquina em visão
computacional.
Materiais do prof. Hae:
Informações
sobre a minha parte da disciplina:
Este ano (2022), vou
dar aulas presenciais, mas baseadas em apostilas para aulas
virtuais "ead" [apostila] que preparei
durante a pandemia. Elas procuram ser auto-explicativas. Essas
apostilas podem ser alteradas até o dia/hora da aula.
Avaliações:
A avaliação será baseada em "lições de casa" (LC) e num
"exercício programa" (EP). Na minha parte da disciplina, EP
substituirá a prova (isto é, não haverá prova da minha parte).
1) "Lições de casa":
Cada aula pode ter uma (ou nenhuma) "lição de casa", normalmente
um exercício computacional. As lições de casa acumuladas de 2
(ou 3) aulas devem ser entregues até a data prevista definida em
edisciplinas (normalmente o próximo domingo). Essas lições
deverão ser feitas em grupos de dois alunos (ou,
excepcionalmente, sozinho). Os alunos podem mudar de grupo ao
longo do semestre.
Após resolverem as "lições de casa", vocês devem gravar um vídeo
de no máximo 40s, mostrando que fizeram os exercícios. Não
pode enviar vídeo com mais de 40s, pois a quantidade de
alunos do curso não nos permite corrigi-los - pode haver
desconto na nota. Vocês devem convencer o espectador do vídeo (o
professor vai corrigir a sua lição) que fizeram os exercícios
computacionais solicitados e que eles estão funcionando corretamente. Não precisam explicar
teorias que o professor já conhece. Cada dupla deve
enviar um único vídeo (não postem o mesmo vídeo duas vezes). A
dupla deve se alternar na gravação de vídeo, isto é, se Fulano
gravou vídeo 1, Ciclano deve gravar vídeo 2, etc. É necessário que o vídeo contenha áudio,
pois é muito difícil entender um vídeo sem a explicação
falada. O vídeo não pode ter sido acelerado para diminuir a
duração, pois dificulta entender a fala.
Podem gravar a tela do computador usando celular ou
usando algum programa de captura de tela (por exemplo Zoom,
Google Meet, ou OBS Studio). Em algum momento, deve aparecer no
vídeo o rosto e algum documento do aluno que gravou o vídeo
(como a carteira USP, RG, CNH, etc). Vocês podem enviar o vídeo
em si (.mkv, .mp4, .avi, etc.) ou um link para o vídeo (youtube,
google drive, etc). No segundo caso, deve assegurar que todos os
professores (Hae, Renato e Magno - hae.kim@usp.br,
renatocan@gmail.com, magno.silva@usp.br) tenham acesso ao seu
vídeo. Não se esqueçam de escrever os nomes da dupla (ou do
único aluno, escrevendo: "exercício feito individualmente") em
três lugares diferentes: no campo "comentários sobre o envio",
no início do vídeo e no início dos programas-fontes. Caso
contrário, um dos alunos da dupla pode ficar sem a nota.
A correção será feita em princípio baseado somente nesse vídeo.
Quando o professor ficar com alguma dúvida, poderá olhar também
os códigos-fontes. Assim, entreguem também os códigos-fontes
(.cpp ou .py - não entreguem .ipynb) das lições. Nos
códigos-fontes, coloquem os nomes da dupla na primeira linha.
Devem fazer a entrega em edisciplinas até a data prevista.
Exercícios entregues com atraso terão desconto de 0,5 ponto por
dia de atraso. Para podermos entregar a nota final dentro do
prazo, as lições não podem ser entregues após 10/julho.
2) Além das lições de casa, haverá um exercício-programa para
fazer. As instruções do EP estarão no seu enunciado.
3) Cálculo da média final:
MHae = (MLC + EP) / 2
onde MHae é média final da minha parte da disciplina, MLC é a
média das lições de casa e EP é a nota do exercício-programa.
Importante: Para ser aprovado na disciplina, o aluno deve
tirar nota >= 3 nas duas partes da disciplina (do Hae e do
Magno).
Importante: Como qualquer
disciplina de graduação da USP, é necessário a presença em 70%
das aulas. Controlaremos a presença com lista de chamada.
Planejamento das 12 aulas (pode mudar ao
longo do semestre):
1 - Introdução à Inteligência Artificial e Aprendizagem de
Máquina. Problema ABC.
2 - Classificação de flor "Iris"
3 - Classificar dígitos "3" e "5"
4 - Conceitos básicos para processamento de imagens.
5 - Componentes conexos.
6 - Filtros.
7 - Template matching.
8 - Transformações geométricas.
9 - Aprendizagem para projetar filtros.
10 - Classificação de MNIST pela aprendizagem clássica
11 - Extração de características para classificação.
12 - Introdução à aprendizagem profunda para processamento de
imagens.
13 - Rede neural densa em Tensorflow Keras.
14 - Rede neural convolucional em Keras.
Exercícios-programas de outros
anos: