Publicação em Diário da República: Despacho n.º 8644/2020 - 08/09/2020
6 ECTS; 2º Ano, 2º Semestre, 28,0 PL + 28,0 TP , Cód. 911941.
Docente(s)
- Manuel Fernando Martins de Barros (1)(2)
- Ana Cristina Barata Pires Lopes (2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Não aplicável.
Objetivos
1. Caracterizar a Inteligência Artificial, explicar os seus princípios fundamentais e a avaliar a sua aplicabilidade na solução de problemas.
2. Representar, adquirir, manipular e aplicar conhecimento em sistemas computacionais.
3. Implementar algoritmos de procura, avaliando as vantagens e limitações de cada um.
4. Aplicar técnicas de inteligência artificial ao jogo.
5. Modelar e resolver problemas com Programação em Lógica.
6. Caracterizar os diferentes métodos de planeamento e algoritmos para construção de planos.
7. Aplicar as diferentes abordagens de aprendizagem de máquina e computação evolutiva.
Programa
1. Introdução à Inteligência Artificial (IA)
a) Panorâmica e breve história da IA
b) Aplicações
2. Agentes inteligentes
a) Agentes racionais.
b) Natureza dos ambientes.
c)Arquiteturas de agentes.
3. Métodos de Resolução de Problemas
a) Métodos de procura: não-informados, informados, heurística, A*.
b) Teoria de jogos e agentes jogadores.
c) Problemas de restrição de soluções.
4. Representação do Conhecimento e Raciocínio.
a) Lógica Proposicional.
b) Lógica de Predicados.
c) Programação em lógica.
d) Planeamento.
5. Aprendizagem Computacional
a) Tipos de Aprendizagem.
b) Aprendizagem indutiva e árvores de decisão.
c) Redes Neuronais Artificiais: Princípios básicos e algoritmos fundamentais.
d) Máquinas de Vetores de Suporte (Support Vector Machines).
e) Aprendizagem por Reforço.
f) Aprendizagem em Profundidade (Deep Learning).
6. Computação evolutiva
a) Algoritmos genéticos;
b) Estratégias evolutivas;
c) Programação genética;
d) Técnicas híbridas de otimização.
7. a) Implementação de kits de aprendizagem computacional (Machine Learning) na prototipagem de aplicações. b) Seleção critica das primitivas. c) Correta adequação dos algoritmos de aprendizagem computacional: aos problemas.
Metodologia de avaliação
Avaliação final é a média das seguintes componentes:
- Prova Escrita (teste ou Exame)
- Prática Laboratorial (Labs)
Avaliação Final = Média(Prova Escrita, Labs)
Obs:
1. Em ambas as componentes é exigido uma avaliação mínima de 40%.
2. A avaliação final deve ser superior ou igual a 10 valores (em 20).
Bibliografia
- Alpaydin, E. (2014). Introduction to Machine Learning. (Vol. 3ed.). mitpress.mit.edu: MIT Press
- Bishop , C. (2006). Pattern Recognition and Machine Learning . (Vol. 1). Springer-Verlag New York: Springer
- Russel, S. e Norvig, P. (2020). Artificial Intelligence A Modern Approach.. (Vol. 4). http://aima.cs.berkeley.edu/: Prentice-Hall
- Simões, A. e Costa, E. (2008). Inteligência Artificial Fundamentos e Aplicações. Segunda Edição. (Vol. 2). FCA - Editora de Informática: FCA - Editora de Informática
Método de Ensino
Modelo de ensino baseado em aulas expositivas de conceitos teóricos e exemplos práticos, de aulas práticas laboratoriais e de trabalho autónomo. Privilegiar-se-a a apresentação, análise de problemas/abordagens na área de IA que motivem a aprendizagem
Software utilizado nas aulas
Linguagem de programação Python
Anaconda Framework
Jupiter Notebook
Scikit-learn
TensorFlow
Weka (https://sourceforge.net/projects/weka/)
Aprovado em Conselho Técnico Cientifico: Aprovada na Ata nº 18/2024 de 17/04
Download da Ficha da Unidade Curricular (FUC)
