Introdução aos Sistemas Inteligentes e Autónomos

Código:

CC3042

Sigla:

CC3042

Nível:

300

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Licenciatura em Inteligência Artificial e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
L:IACD	57	Plano Oficial a partir do ano letivo 2021/22	3	-	6	48	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

A UC apresenta uma perspetiva global das técnicas associadas aos sistemas inteligentes e autónomos, explorando a modelação e simulação de sistemas complexos e o desenvolvimento de aplicações de agentes inteligentes e de Sistemas Multi-Agente (SMA) com capacidade de adaptação/aprendizagem. O objetivo principal é especificar e implementar sistemas inteligentes autónomos, complexos e adaptativos. No final da UC, os estudantes deverão ser capazes de:
1. Compreender conceitos básicos relacionados com sistemas inteligentes autónomos e ser capaz de modelar e projetar sistemas inteligentes e autónomos complexos.
2. Compreender e ser capaz de utilizar conceitos de sistemas inteligentes multiagente tais como a comunicação, interação, coordenação, negociação e cooperação.
3. Compreender e ser capaz de utilizar o conceito de aprendizagem por reforço, incluindo algoritmos atuais e mecanismos de aprendizagem por reforço profunda.

Resultados de aprendizagem e competências

Capacidade para especificar e implementar sistemas inteligentes autónomos, complexos e adaptativos.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conhecimentos de programação em Python / Java e Inteligência Artificial.

Programa

1. Sistemas Autónomos Inteligentes: Sistemas Inteligentes; Agentes; Arquiteturas para agentes.
2. Sistemas multi-agente. Simulação baseada em agentes. Teoria dos atos de discurso. Linguagens de comunicação para agentes. Plataformas de desenvolvimento.
3. Tomada de decisão multi-agente. Teoria de jogos. Teoria de escolha social. Mecanismos de interação: protocolos e leilões. Negociação.
4. Aprendizagem em sistemas autónomos. Aprendizagem por Reforço. Processos de decisão de Markov. Métodos model-based e model-free. Monte Carlo. Aprendizagem por diferença temporal: Q-learning, SARSA. Aproximação da função de valor. Métodos policy-gradient.

Bibliografia Obrigatória

Michael Wooldridge; An introduction to multiagent systems. ISBN: 0-471-49691-X
Richard S. Sutton, Andrew G. Barto; Reinforcement learning: an introduction (2nd edition), The MIT Press, 2018. ISBN: 978-0-262-19398-6 (http://incompleteideas.net/book/the-book-2nd.html)

Bibliografia Complementar

Stuart Jonathan Russell; Artificial intelligence. ISBN: 978-1-292-40113-3
Yoav Shoham, Kevin Leyton-Brown; Multiagent Systems – Algorithmic, Game-Theoretic, and Logical Foundations. ISBN: 978-0-521-89943-7 (http://www.masfoundations.org/)

Métodos de ensino e atividades de aprendizagem

Exposição com interação nas aulas teóricas. Exploração de ferramentas e resolução de exercícios nas aulas teórico-práticas. Acompanhamento da realização dos trabalhos práticos. Aprendizagem prática orientada por projetos.

Software

SPADE
JADE

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	50,00
Trabalho prático ou de projeto	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	50,00
Frequência das aulas	48,00
Trabalho laboratorial	64,00
Total:	162,00

Obtenção de frequência

Condições de Frequência: Um estudante inscrito obtém frequência se cumprir a assiduidade às aulas teórico-práticas e obtiver uma nota mínima de 7.5 valores (em 20), em cada trabalho prático.

Fórmula de cálculo da classificação final

Nota Final = 0.35*TP1+0.15*TP2+0.5*E
TP1: trabalho prático 1
TP2: trabalho prático 2
E: exame

A nota mínima no exame é de 7.5 valores (em 20).

Avaliação especial (TE, DA, ...)

Estudantes com dispensa de aulas práticas devem combinar com os docentes a forma de acompanhamento da realização dos trabalhos práticos.

A avaliação em época especial corresponde à realização de um trabalho prático e ao exame, valendo cada um 50% na nota final e mantendo-se as notas mínimas referidas na avaliação normal.

Melhoria de classificação

O exame é melhorável na época de recurso. A parte prática não é melhorável.