Informações sobre o curso (parte 1 do
prof. Hae):
Este ano (2023), vou dar aulas presenciais baseadas
em
apostilas
para aulas "ead" que preparei durante a pandemia. Elas procuram
ser auto-explicativas. Essas apostilas podem ser alteradas até o
dia/hora da aula.
Teremos alternadamente aulas teóricas e práticas. Usarei o
início da aula prática (algo como 50 minutos iniciais) para
terminar a aula teórica.
Aulas teóricas: segundas-feiras, 09:20-11:00,
sala B2-09.
Aulas práticas: terças-feiras, 7:30-9:10,
GD-06 (sala de computadores).
A avaliação será baseada em "lições de casa" (LC) e em
"exercício programa" (EP). Na minha parte da disciplina, não
haverá prova.
1) "Lições de casa":
Cada conjunto de duas aulas (aula teórica 2ª-feira + início da
aula prática 3ª-feira) pode ter "lição de casa" que consiste em
exercícios computacionais. Além disso, pode ter um exercício
extra, mais desafiador e opcional, que vale pontos extras na
nota.
Essas lições deverão ser resolvidas em grupos de dois alunos
(ou, excepcionalmente, sozinho). Os alunos podem mudar de grupo
ao longo do semestre. Não se esqueçam de escrever/falar os nomes
da dupla (ou do único aluno) 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. Cada dupla deve fazer uma única
entrega (não façam a mesma entrega duas vezes).
Essas "lições de casa" podem ser resolvidas durante a aula
prática e mostradas ao professor/pesquisador. Neste caso, o
professor/pesquisador atribuirá a nota durante a aula e só
precisa postar o código-fonte em edisciplinas (isto é, não
precisa postar o vídeo). Escreva no campo "comentários sobre o
envio" a frase "lição entregue durante a aula".
Se não conseguir terminar essas "lições de casa" durante a aula
prática, o grupo poderá terminar em casa até o próximo domingo.
Neste caso, tem que postar o vídeo (além de colocar o
código-fonte). Escreva no campo "comentários sobre o envio" a
frase "lição feita após a aula".
Para entregar o código-fonte em edisciplinas, envie .py ou um
link para Google Colab.
O vídeo deve ter no máximo 30s (por aula). Não pode enviar vídeo
com mais de 30s, pois a quantidade de alunos do curso não nos
permite corrigi-los - pode haver desconto na nota. É necessário
que o vídeo contenha áudio com explicações. Vocês devem
convencer o espectador do vídeo (o professor/especialista vai
corrigi-lo) que fizeram a lição solicitada e que ela está
funcionando corretamente. Não precisam explicar teorias. A dupla
deve se alternar na gravação do 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).
Se vocês vão entregar código-fonte/vídeo através de um link,
deve assegurar que todos os professores (Hae e Maurício -
hae.kim@usp.br, mlisboa@usp.br) tenham acesso ao seu conteúdo.
Exercícios entregues com atraso terão desconto de 0,5 ponto por
dia de atraso. As lições não podem ser entregues após
08/outubro, para não invadir as aulas do prof. Márcio.
2) "Exercício programa":
Além das lições de casa, haverá um exercício-programa para
fazer. As instruções deste exercício programa estarão no seu
enunciado.
3) Cálculo da média final:
MHae = (ML + EP) / 2
onde MHae é média final da minha parte da disciplina, ML é a
média das lições de casa e EP é a nota do exercício-programa.
Planejamento das aulas (este cronograma pode mudar ao
longo do semestre):
1 - (07/08) Introdução. Rede neural densa. Rede neural
convolucional. Automatic differentiation.
2 - (08/08) Aula prática. (Entrega de lição: 13/08)
3 - (14/08) Modelos pré-treinados para ImageNet. Cifar10; data
augmentation.
4 - (15/08) Aula prática. (Entrega de lição: 20/08)
5 - (21/08) Redes avançadas: VGG, Inception, ResNet,
EfficientNet.
6 - (22/08) Aula prática. (Entrega de lição: 27/08)
7 - (28/08) Transfer learning. Classificação de séries temporais
por CNN.
8 - (29/08) Aula prática. (Entrega de lição: 03/09)
9 - (11/09) Segmentação semântica. Fully convolutional net,
U-Net, PSPNet.
10 - (12/09) Aula prática. (Entrega de lição: 17/09)
11 - (18/09) Auto-encoder/GAN. One-shot learning, reconhecimento
facial.
12 - (19/09) Aula prática. (Entrega de lição: 24/09)
13 - (25/09) Class Activation Map e Grad-CAM. Detecção de
objetos. Introdução à processamento de linguagem natural.
14 - (26/09) Aula prática. (Entrega de lição: 01/10)
As lições não podem ser entregues após 08/10.
A maior parte das duas primeiras aulas serão recordações
(rápidas) de PSI3471, pois há alunos que não cursaram PSI3471.