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

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: CEA13, CG2, CT3, CT6, CT7, CB6, CB9,
      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: CEA13, CG2, CG3, CEP1, CT3, CT4, CT6, CT7, CB6, CB8, CB9,
      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: CEA3, CEA12, CEA13, CG2, CG3, CEP1, CEP3, CEP4, CT3, CT4, CT6, CT7, CB6, CB8, CB9,
      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