Imprimir

Programa

CURSO:RECUPERACIÓN DE INFORMACIÓN	 
TRADUCCIÓN:INFORMATION RETRIEVAL
SIGLA:INF3841
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:MÍNIMO
TIPO:CÁTEDRA,TALLER
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA,COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,RECUPERACIÓN,INFORMACIÓN


I.DESCRIPCIÓN DEL CURSO 

La Recuperación de Información Multimedia estudia el problema de buscar, indexar, navegar y extraer información desde archivos multimedia. En este curso los alumnos aprenderán sobre el análisis y representación de contenido multimedia (específicamente audio, imagen, video y texto), algoritmos para búsqueda eficiente y efectiva en grandes cantidades de datos, y aplicaciones innovadoras, por medio de ejercicios prácticos.


II.RESULTADOS DE APRENDIZAJE 

1.Identificar la arquitectura de un sistema de recuperación multimedia y sus diferentes componentes. 

2.Implementar métodos de análisis y descripción de contenido multimedia para extraer información desde archivos.

3.Aplicar algoritmos eficientes de búsqueda de contenido multimedia en el análisis de datos para indexar y buscar en archivos. 

4.Evaluar la efectividad y eficiencia de sistemas de recuperación multimedia para identificar qué sistema conviene utilizar.

5.Desarrollar aplicaciones innovadoras para sistemas de recuperación multimedia. 


III.CONTENIDOS

1.Descripción de contenido multimedia 
1.1.Descriptores de contenido visual
1.2.Descriptores de contenido acústico 
1.3.Descriptores de texto
1.4.Descriptores espacio-temporales 

2.Búsqueda por similitud e Indexamiento
2.1.Algoritmos de Búsqueda por Similitud
2.2.Funciones de Distancias 
2.3.Árboles Multidimensionales
2.4.Índices Métricos
2.5.Evaluación de Efectividad

3.Métodos avanzados y aplicaciones
3.1.Descriptores de nivel medio: BOVW, LSA, FV, VLAD
3.2.Otros índices: LSH, VQ, Filling Curves, Indexamiento No-Métrico
3.3.Deep Learning: Deep Features, Metric Learning


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositiva.

-Talleres prácticos de programación.

-Discusión en clases.

-Presentación de los estudiantes. 

-Aprendizaje basado en Proyecto. 


V.ESTRATEGIAS EVALUATIVAS

-Controles: 25%

-Talleres prácticos: 25%

-Presentaciones de lecturas: 25%

-Proyecto de síntesis: 25%


VI.BIBLIOGRAFÍA 

Mínima
 
H. Eidenberger. "Handbook of Multimedia Information Retrieval". Atpress, 2012.

R. Baeza-Yates and B. Ribeiro-Neto. "Modern Information Retrieval. Second Edition". Addison-Wesley Professional, 2011.

H. Blanken, A. de Vries, H. Blok. "Multimedia Retrieval". Springer-Verlag Berlin Heidelberg, 2007.

C. Aggarwal. "Data Mining: The Textbook". Springer, 2015.


Complementaria

Goodfellow, Y.Bengio, and A. Courville. "Deep Learning". MIT Press, 2016.

J. Leskovec, A. Rajaraman, J. Ullman. "Mining of Massive Datasets, Second Edition". Cambridge University Press, 2014.

P. Zezula, G. Amato, V. Dohnal, and M. Batko. "Similarity Search: The Metric Space Approach". Springer, 2006.

M. Nixon, A. Aguado. "Feature Extraction & Image Processing for Computer Vision, Third Edition". Elsevier, 2012.

H. Samet. "Foundations of Multidimensional and Metric Data Structures". Morgan Kaufmann, 2006.

M. Muja and D. Lowe. "Scalable Nearest Neighbor Algorithms for High Dimensional Data". IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014.

H. Jegou, M. Douze, C. Schmid. "Product Quantization for Nearest Neighbor Search". Transactions on Pattern Analysis and Machine Intelligence. 2011.


PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE 
ESCUELA DE INGENIERÍA/ ENERO 2020