Inteligência Artificial

Objetivos

São objetivos da disciplina:

• Examinar os conceitos básicos e os paradigmas envolvidos na inteligência artificial e suas aplicações práticas para resolver problemas computacionais
• Desenvolver o conhecimento sobre técnicas de representação de conhecimento e algoritmos de aprendizagem de máquina
• Discutir os conceitos de inteligência artificial distribuída, sistemas conexionistas, computação evolucionária, lógica nebulosa e sistemas híbridos, permitindo a experimentação de diferentes técnicas e ferramentas aplicáveis na resolução de problemas complexos.

Pré-requisitos

Embora os pré-requisitos não sejam obrigatórios, o seu domínio auxiliará muito na evolução do aprendizado:

• Conhecimentos básicos de álgebra linear
• Conhecimentos sólidos sobre estruturas de dados

Competências trabalhadas

As competências trabalhadas na disciplina são:

• Especificar, projetar e implementar sistemas de computação, empregando teorias, práticas e ferramentas adequadas
• Identificar os conceitos básicos e os paradigmas envolvidos na inteligência artificial e suas aplicações práticas para resolver problemas
• Conhecer os conceitos básicos de inteligência artificial e dos paradigmas simbólico e conexionista, habilitando à resolução de problemas aplicando técnicas adequadas para a implementação de sistemas

Unidades de Aprendizagem

As unidades de aprendizagem abordadas na disciplina são:

• Estudo sobre os principais conceitos de lógica proposicional aplicados a inteligência artificial de forma individual
• Entendimento dos principais paradigmas de inteligência artificial para resolução de problemas de forma crítica
• Estudo das principais formas de representação do conhecimento para resolver problemas de forma colaborativa
• Compreensão das técnicas de aprendizagem de máquina para resolução de problemas de forma cooperativa e crítica

Estratégias metodológicas

Aulas expositivas, atividades de pesquisa relacionadas às unidades de aprendizagem, exemplos práticos e exercícios individuais ou em grupo.

Cronograma

Aula	Conteúdo Programado	Data
01	Apresentação da Disciplina. O que é a Inteligência Artificial?.	04/03
02	Sistemas inteligentes. Multidisciplinariedade e fundamentos da Inteligência Artificial. Estado da Arte. Riscos e Benefícios da Inteligência Artificial.	11/03
03	Agentes Inteligentes.	18/03
04	Árvores E-Ou, Árvores de Objetivos. Algoritmos de Busca: Busca em Profundidade, Hill Climbing, Beam Search.	25/03
05	Algoritmos de Busca: Ótima, Branch and Bound, A*.	01/04
06	Algoritmos de Busca: Jogos, Minimax, Alpha-Beta. Especificação do T1.	08/04
07	Revisão dos Algoritmos de Busca. Exercícios. Implementação do T1.	15/04
08	Restrições de Busca. Interpretação de Desenhos de Linhas.	22/04
09	Redução de Domínio. Reconhecimento visual de objetos. Implementação do T2.	29/04
10	Prova G1.	06/05
11	Introdução a aprendizagem de máquinas. Nearest Neighbors. ID-trees. Divulgação dos resultados do G1..	13/05
12	Redes Neurais e Deep Learning.	20/05
13	Algoritmos Genéticos. Support Vector Machines.	27/05
14	Boosting.	03/06
15	Representações. Inferência Probabilística.	10/06
16	Aula para desenvolvimento do T3.	17/06
17	Exercícios. Revisão. Data limite para a entrega do T3.	24/06
18	Prova G2.	01/07
19	Divulgação de Resultados. Mercado de trabalho para IA. Revisão do conteúdo.	08/07
20	Prova de substituição de grau.	15/07

Procedimento e critérios de avaliação

A nota final será composta por trabalhos/exercícios e prova, que serão desenvolvidos durante as aulas e em atividades extraclasse.

O grau 1 será composto por G1 = T1(2.5) + T2(2.5) + P1(5.0)

O grau 2 será composto por G2 = T3(5.0) + P2(5.0)

A nota final será a média (M) dada pela regra M = (G1 + G2) / 2

A recuperação será realizada com a aplicação de uma prova escrita. A nota desta substituirá a nota mais baixa e a média (M) será recalculada.

Para obter a aprovação, o aluno deve obter uma média (M) igual ou superior a 6, com frequência igual ou superior à 75%. A frequência será medida a partir de chamada nominal, realizada em todas as aulas.

Recursos para a disciplina

Bibliografia

1. RUSSEL, Stuart J.; NORVIG, Peter. Inteligência artificial : uma abordagem moderna.. 4. ed. LTC. Rio de Janeiro, 2022.
2. LUGER, George F. Inteligência Artificial. 6. ed. Pearson. São Paulo. 2013.
3. MINSKY, Marvin. The Society of Mind. Simon & Schuster, Inc. New York. 1988.
4. HAYKIN, Salmon. Redes Neurais. 2^a Ed. Bookman. Porto Alegre. 2001.
5. MINSKY, Marvin; PAPERT, Seymour A. Perceptrons: Expanded Edition. 4^th print. MIT Press. Massachussets. 1988
6. KOHONEN, Teuvo. Self-Organizing Maps. 2^nd Ed. Springer. Alemanha. 1997.
7. GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press. 2016.

Recursos online

1. Artificial Inteligence - MIT, 2010

© 2022-2023 Rafael Guterres Jeffman