Inteligência Artificial

Universidade LaSalle Canoas - 2024/2

Objetivos
Pré-requisitos
Competências Trabalhadas
Unidades de Aprendizagem
Estratégias Metodológicas
Cronograma
Avaliação
Recursos

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. Especificação do T2.	29/04
10	Aula convertida em exercícios domiciliares devido a enchentes no RS.	06/05
11	Aula convertida em exercícios domiciliares devido a enchentes no RS.	13/05
12	Retorno as aulas online. Revisão de conteúdos.	20/05
13	Revisão da solução de problemas por busca em espaços. Aproximação de Funções. Aprendizado de máquina.	27/05
14	Classificação de elementos. Problemas linearmente separáveis. Funções de avaliação. Algoritmos Genéticos.	03/06
15	Redes neurais artificiais. Perceptron. Problema do XOR. Classificação vs. Aproximação. Multi-layer Perceptron.	10/06
16	Deep learning.	17/06
17	Reinforcement Learning. Inteligência Artificial Generativa.	24/06
18	Exercícios de revisão.	01/07
19	Prova G2a. Prazo final para a entrega dos trabalhos do G1.	08/07
20	Prova G2s. 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(5.0) + T2(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

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