Sistemas de Percepción
(Curso Académico 2020 - 2021)

Mostrar Todo Ocultar Todo

• RA1 - Saber aplicar técnicas de programación adecuadas para el desarrollo de software sobre sistemas de control y supervisión de propósito específico atendiendo a las particularidades del hardware y de los sistemas operativos.
• RA2 - Capacidad para el diseño de sistemas de control y regulación automáticos en entornos industriales y análisis de su rendimiento.
• RA3 - Dominio de algoritmos de control avanzados y de aspectos relacionados con su implementación práctica.
• RA4 - Conocer los fundamentos y tecnologías de la robótica actual.
• RA5 - Seleccionar e integrar adecuadamente los algoritmos de control y el software específico junto a los sistemas de captación, actuación y procesamiento de la información en la automatización de un sistema.
• RA6 - Capacidad de análisis de un problema de percepción del entorno tridimensional seleccionando los componentes adecuados para su solución, extraer información del entorno, procesarla y clasificarla

• CG4 - Realizar investigación, desarrollo e innovación en productos, procesos y métodos.
• CG10 - Saber comunicar las conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

• CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

• TI8 - Capacidad para diseñar y proyectar sistemas de producción automatizados y control avanzado de procesos.

- Profesor: José Luis Sánchez de la Rosa

- Temas (epígrafes):
Tema 1. Introducción a la programación en Python. Elementos básicos.
Tema 2. Extensión del Python: paquetes NumPy y Matplotlib. 
Tema 3. Introducción a openCV-Python.

Prácticas:
Prácticas de simulación en Python.


- Profesor: José Francisco Sigut Saavedra

Tema 4. Fundamentos de Machine Learning y Deep Learning.
Tema 5. La librería Keras para Deep Learning.
Tema 6. Resolución de problemas de Deep Learning de clasificación de imágenes.

Prácticas:
Prácticas de simulación en Python con la librería Keras.

En virtud de lo dispuesto en la normativa autonómica (Decreto 168/2008, de 22 de julio ), un 5% del contenido será impartido en inglés. Se utilizará documentación en inglés, cuyo uso será necesario para responder a preguntas o resolver ejercicios, de manera escrita, que formen parte de la evaluación de la asignatura.
 

En general, la docencia corresponderá a un modelo de presencialidad adaptada a  especiales condiciones sanitarias que imponen el distanciamiento físico establecidas por el Ministerio de Sanidad. En este sentido, la impartición de las clases teóricas y prácticas en el aula, además de impartirse de manera presencial a los distintos grupos para que  de manera coordinada puedan asistir a dichas actividades presenciales, también se impartirán de manera virtual mediante streaming o clases en línea al resto de estudiantes.
Observaciones: debido a la utilización del modelo de docencia presencial adaptada, en la que se requiere por parte del alumnado el seguimiento de manera virtual o no presencial de parte de la docencia, requiere que dicho alumnado disponga de un ordenador personal o dispositivo similar con acceso a internet, cámara, sonido y micrófono

La metodología docente de la asignatura consistirá en lo siguiente:
• Clases teóricas (1 hora a la semana) en las que se combinarán las tradicionales clases de pizarra con el uso de los medios audiovisuales disponibles, principalmente el cañón de proyección. Los alumnos podrán consultar y descargarse el material relativo a la asignatura en el Aula Virtual.
• Clases prácticas (1 hora a la semana) en el aula de clase, aula de ordenadores y laboratorio para llevar a cabo simulaciones del uso de las técnicas aprendidas en las clases teóricas y su implementación real con los recursos disponibles.
• El aula virtual se utilizará para poner a disposición del alumno las referencias a todos los recursos de la asignatura: apuntes, bibliografía, software, material, etc.

Actividades formativas	Horas presenciales	Horas de trabajo autónomo	Total horas	Relación con competencias
Clases teóricas	9,00	0,00	9,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Clases prácticas (aula / sala de demostraciones / prácticas laboratorio)	14,00	0,00	14,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Realización de trabajos (individual/grupal)	3,00	15,00	18,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Estudio/preparación de clases teóricas	0,00	11,00	11,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Estudio/preparación de clases prácticas	0,00	12,00	12,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Preparación de exámenes	0,00	7,00	7,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Realización de exámenes	2,00	0,00	2,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Asistencia a tutorías	2,00	0,00	2,0	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]
Total horas
Total ECTS

- 
https://github.com/fchollet/deep-learning-with-python-notebooks

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

- Digital Image Processing. Rafael Gonzalez, Richard Woods. 2008, Prentice Hall

- Introductory techniques for 3D computer vision. Emanuele Trucco, Alessandro Verri. 1998, Prentice Hall

- F. Torres et al. Robots y Sistemas Sensoriales. Prentice Hall, 2002.

- Visión por Computador. Fundamentos y métodos. Arturo de la Escalera. 2001, Prentice Hall

• Software:
- Lenguaje de programación Python, y paquetes y librerías complementarios. Entorno de programación Google Colab para ejecución de programas de Deep Learning.
• Hardware:
- Aula de ordenadores.
- Cámaras.

La evaluación de la asignatura se rige por el Reglamento de Evaluación y Calificación de la Universidad de La Laguna (BOC de 19 de enero de 2016), o el que la Universidad tenga vigente, además de por lo establecido en la Memoria de Verificación inicial o posteriores modificaciones.

La evaluación continua estará orientada principalmente al trabajo práctico de la asignatura. Se valorarán los conocimientos básicos adquiridos sobre Deep Learning para clasificación de imágenes a través de una prueba de evaluación consistente en la resolución de un problema sencillo utilizando la programación en Python-Keras (60%). Se evaluará también el conocimiento del estudiante sobre conceptos fundamentales de la asignatura a través de una prueba objetiva (40%).

Como alternativa a la evaluación continua, se realizará un único examen, en las fechas de convocatoria oficiales, que incluirá todos los aspectos evaluables de la asignatura tanto teóricos como prácticos.

Tipo de prueba	Competencias	Criterios	Ponderación
Pruebas objetivas	[TI8], [CB10], [CG10], [CG4], [RA6], [RA5], [RA4], [RA3], [RA2], [RA1]	Evaluación del conocimiento del estudiante sobre conceptos fundamentales de la asignatura.	40,00 %
Pruebas de ejecuciones de tareas reales y/o simuladas	[RA6], [RA5], [RA4], [RA3], [RA2], [RA1]	Evaluación de la ejecución de los programas realizados para resolver el problema propuesto.	60,00 %

* La distribución de los temas por semana es orientativo, puede sufrir cambios según las necesidades de organización docente.

La asignatura se desarrolla a lo largo de las 15 semanas del 1º cuatrimestre según la estructura que se expone a
continuación:
• 1 hora a la semana de teoría impartida en el aula de clase.
• 1 hora a la semana de prácticas de simulación y/o de laboratorio.

Semana	Temas	Actividades de enseñanza aprendizaje	Horas de trabajo presencial	Horas de trabajo autónomo	Total
Semana 1:	Tema 1	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 2:	Tema 1	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 3:	Tema 2	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 4:	Tema 3	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 5:	Tema 3	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 6:	Tema 4	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 7:	Tema 4	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 8:	Tema 5	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 9:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 10:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 11:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 12:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 13:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 14:	Tema 6	- Impartición de la teoría relativa a estos temas. - Sesión de prácticas relativa a estos temas.	2.00	2.00	4.00
Semana 15 a 17:	Evaluación y trabajo autónomo	- Evaluación y trabajo autónomo del alumno para la preparación de la evaluación. - Entrega final de prácticas.	2.00	17.00	19.00
Total			30.00	45.00	75.00