Forma de evaluación

Se deberán entregar tres trabajos prácticos obligatorios (uno por bloque) y un trabajo final. Los trabajos prácticos serán desarrollados en lenguaje Python, utilizando Jupyter Notebook y las bibliotecas Numpy (cálculo matricial), Scikit-Learn (métodos clásicos de aprendizaje automático), Keras y Tensorflow (arquitecturas de aprendizaje profundo) y SimpleITK (procesamiento de imágenes médicas con métodos clásicos). Para la entrega de los trabajos prácticos se dispondrá de dos semanas luego de finalizado el curso, para el trabajo final se dispondrá de al menos cuatro semanas; las fechas serán coordinadas durante el curso.

  • TP1: Introducción al aprendizaje automático con Scikit-learn. Implementación de un método simple de clasificación por vecino más cercano e introducción de buenas prácticas en aprendizaje automático.
  • TP2: Introducción a la derivación automática con TensorFlow. Implementación de arquitecturas estándar para la resolución del problema de clasificación de dígitos MNIST con un perceptrón multicapa y con redes neuronales convolucionales profundas. Realización de un pequeño informe con análisis de resultados y curvas de entrenamiento.
  • TP3: Implementación de una arquitectura profunda estándar tipo U-Net para la segmentación de estructuras anatómicas en imágenes 2D. Comparación de los resultados con métodos clásicos de segmentación de imágenes médicas implementados con SimpleITK. Realización de un pequeño informe con análisis de resultados, evaluación de alternativas de diseño y curvas de entrenamiento.
  • Trabajo Final: el trabajo final sugerido consistirá en la implementación de un método basado en aprendizaje profundo para la resolución de uno de los desafíos abiertos sobre imágenes médicas propuestos en el repositorio Grand Challenge: https://grand-challenge.org/All_Challenges/. Se contemplará así mismo la posibilidad de realizar un trabajo final propuesto por los/las estudiantes, que deberá ser previamente acordado con el docente.

En base a las calificaciones recibidas durante el curso y a su desempeño en la instancia de defensa, el estudiante podrá reprobar la asignatura (nota 0) o aprobar la asignatura (nota 3 a 12).

Última modificación: miércoles, 22 de diciembre de 2021, 12:43