MO434 — Deep Learning

Instituto de Computação (IC/Unicamp)
Profa. Sandra Avila (sandra@ic.unicamp.br)

 

Horário e Local: Segundas, das 14h às 16h. As aulas acontecerão via Google Meet, sendo que algumas aulas serão realizadas de forma síncrona e outras aulas de forma assíncrona. Para todas as aulas síncronas, os vídeos das aulas serão disponibilizados posteriormente. As aulas terão início no dia 21/setembro/2020.

Atendimento: O horário de atendimento será prestado pela professora e pelo PED Tito Rezende nas aulas de atendimento ou pelo Slack (dl-unicamp-2020.slack.com).

Programa da Disciplina: Introdução ao Aprendizado Profundo (Deep Learning), Redes Neurais [Profundas], Redes Neurais Convolucionais (CNNs), Arquiteturas, Treinamento, Redes Neurais Recorrentes (RNNs), Transformers, Detecção e Segmentação, Redes Generativas Adevrsárias, Técnicas de Visualização e Interpretação de Modelos, FATE (Fairness, Accountability, Transparency, and Ethics) em IA.

Linguagem de Programação: A linguagem de programação utilizada na disciplina é Python. Ferramentas: Keras & TensorFlow, PyTorch.

Avaliação: A avaliação será baseada nas atividades propostas e projetos práticos, sendo:

• Ao final da aula, a(o) aluna(o) deverá enviar via Google Classroom qual foi o ponto de maior dúvida da aula (D), uma pergunta sucinta. Caso não tenha dúvidas (sério? será mesmo?), a(o) aluna(o) deverá ressaltar o ponto que achou mais interessante. Respostas do tipo “não tive dúvidas” ou respostas em branco não serão aceitas.
• Três tarefas em dupla, T1, T2 e T3. O código e o relatório deverão ser entregues via Google Classroom.
• Um projeto final PF a ser realizado em grupo:
  • A(O) aluna(o) só poderá fazer o projeto final PF caso tenha entregue as três tarefas T1, T2 e T3.
  • Os grupos devem ter de 3 alunas(os), necessariamente.
  • O código e o relatório deverão ser entregues via Google Classroom, sendo que o relatório deve apresentar uma explicação sobre a técnica implementada, ilustrações dos resultados, e uma discussão sobre os resultados obtidos em formato de artigo científico, no modelo sugerido pela professora.
  • O projeto deverá ser apresentado (em formato de vídeo de 4 minutos), pelo grupo, na data agendada.
• A média final, M, será calculada como: M = 0,15 x T1 + 0,15 x T2 + 0,15 x T3 + 0,5 x PF + 0,05 x D
  • Para as(os) alunas(os) de graduação, será aplicada a seguinte regra:
    • Aprovada(o): se M ≥ 5.0
    • Reprovada(o): se M < 5.0
  • Para as(os) alunas(os) de pós-graduação, o conceito final será atribuído da seguinte forma:
    • A: se M ≥ 8.5
    • B: se 7.0 ≤ M < 8.5
    • C: se 5.0 ≤ M < 7.0
    • D: se M < 5.0

Submissão de Atividades: Todas as atividades da disciplina deverão ser submetidas via Google Classroom.

Datas das Entregas das Avaliações: As datas abaixo estão sujeitas a alterações.

• Maior Dúvida (D): Até às 12h, três dias depois da aula.
• Tarefa 1 (T1): 26/10/2020
• Tarefa 2 (T2): 23/11/2020
• Tarefa 3 (T3): 21/12/2020
• Projeto Final (PF):
  • Submissão da proposta (tema e base de dados) (10% PF): 12/10/2020
  • Submissão do baseline (primeiro resultado) (20% PF): 07/12/2020
  • Apresentação (vídeos de até 4 minutos) (30% PF): 11-18/01/2021 Exemplos 2019.2
  • Submissão do PF (relatório e código) (40% PF): 11/01/2021

Observações:

• Não haverá provas ou exame para essa disciplina.
• Qualquer tentativa de fraude nas atividades da disciplina implicará em média final M = 0 (zero) para todas as pessoas envolvidas, sem prejuízo de outras sanções.

Referências: A professora não seguirá um livro texto específico, entretanto, os seguintes livros cobrem o que será visto em aula:

• “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”, A. Géron, 2019.
• “Deep Learning”, I. Goodfellow , Y. Bengio, & A. Courville, 2016.
• “Dive into Deep Learning”, M. Gardner, M. Drummy, J. Quinn, J. McEachen, & M. Fullan, 2019.
• “Deep Learning with PyTorch”, E. Stevens, L. Antiga, T. Viehmann, 2020.