Inteligência Artificial

Código:

CC2006

Sigla:

CC2006

Nível:

200

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2019/2020 - 2S

Ativa?	Sim
Página Web:	https://piazza.com/dcc.fc.up.pt/spring2020/cc2006
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Licenciatura em Ciência de Computadores

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
L:B	0	Plano de Estudos Oficial	3	-	6	56	162
L:CC	58	Plano de estudos a partir de 2014	2	-	6	56	162
L:EG	0	Plano estudos a partir do ano letivo 2019	3	-	6	56	162
L:F	0	Plano de Estudos Oficial	2	-	6	56	162
			3
L:G	0	Plano estudos a partir do ano letivo 2017/18	2	-	6	56	162
			3
L:M	8	Plano de Estudos Oficial	2	-	6	56	162
			3
L:Q	0	Plano estudos a partir do ano letivo 2016/17	3	-	6	56	162
MI:ERS	91	Plano Oficial desde ano letivo 2014	2	-	6	56	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Objectivos: Estudo dos conceitos fundamentais e técnicas de uso mais generalizado da Inteligência Artificial.

Resultados de aprendizagem e competências

Competências:
- capacidade para escolha criteriosa de técnicas de Inteligência Artificial para uso em aplicações concretas,
- capacidade para implementar aplicações com base nessas técnicas.

Modo de trabalho

Presencial

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

É fortemente recomendado que o estudante tenha tido aprovação às unidades curriculares de  "Desenho e Análise de Algoritmos" (CC2001) e "Estruturas de Dados" (CC1007), ou equivalentes.

Programa

1. Técnicas de procura: árvores e grafos, algoritmos de procura em profundidade, em largura, aprofundamento iterativo. Algoritmos de busca informada: busca gulosa, A* e A* com limitação de memória. Heurísticas e metaheurísticas. Algoritmos de melhoramento iterativo: subida mais rápida (hill-climbing e random-restart hill-climbing), arrefecimento simulado (``simulated annealing''). Problemas de Satisfação de restrições: consistência de arcos (arc-consistency); propagação de restrições. Métodos de forward checking e lookahead. Algoritmos para jogos: minimax e corte alfa-beta.

2. Sistemas baseados em conhecimento: manipulação e representação de conhecimentos, lógica proposicional e de primeira ordem, cálculo de situações. Inferência em lógica de primeira ordem: "backward chaining" e "forward chaining", resolução por refutação. Sistemas dedutivos.

3. Geração de Planos e Robótica Inteligente.

4. Aprendizagem de máquina: sistemas indutivos. Árvores de decisão, ganho de informação. A ferramenta WEKA. Análise de dados.

5. Modelos de inspiração biológica: redes neuronais e algoritmos genéticos.

Bibliografia Obrigatória

S. Russell, P. Norvig; Artificial Intelligence: A Modern Approach, 3rd ed, Prentice Hall, 2009
Nils Nilsson; Artifical Intelligence: a new synthesis, Morgan Kaufmann Publishers, 1998. ISBN: 1558604677

Bibliografia Complementar

Ivan Bratko; Prolog programming for Artificial Intelligence. ISBN: 0-201-40375-7 ((ou 4ªEd, 2011))
Holger H. Hoos; Stochastic local search. ISBN: 978-1-55860-872-6
Christian Blum; Swarm intelligence. ISBN: 9783540740889
Francesca Rossi; Handbook of constraint programming. ISBN: 0-444-52726-5
Pedro Domingos; The Master Algorithm: How the quest for the ultimate learning machine will remake our world, Penguin Books, 2017. ISBN: 978-0-141-97924-3

Métodos de ensino e atividades de aprendizagem

Aulas teóricas para exposição da matéria acompanhada da discussão de  alguns casos de estudo.

Aulas práticas laboratoriais para resolução de problemas e para desenvolvimento de pequenos projetos, com base nos algoritmos lecionados nas aulas teóricas.

Software

WEKA
YAP ou SWI
Aleph
ECLiPse Prolog

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	70,00
Trabalho prático ou de projeto	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	2,00
Estudo autónomo	80,00
Frequência das aulas	56,00
Trabalho escrito	8,00
Trabalho laboratorial	16,00
Total:	162,00

Obtenção de frequência

Perde a frequência, por falta de assiduidade, o estudante que  faltar a mais de 25% das aulas práticas previstas. O número máximo de faltas é de 4.

Fórmula de cálculo da classificação final

Dois testes para dispensa de exame: T1 com peso de 30% (6 valores) e T2  com peso de 40% (8 valores) ;

Trabalhos práticos (TP) desenvolvidos em grupo, com peso de 30% (6 valores).

Para dispensa de exame final , a nota mínima de T1 e T2  é de  8 valores (em 20).

Para aprovação à UC, a nota mínima em testes (NT) ou exame final (Ex)  é de 8 valores (em 20).

A  nota final é NE*0.7+TP*0.3, e deve ser não inferior a 9.5 valores,  com NE = max((T1*3+T2*4)/7,Ex).

Na época normal, os estudantes dispensados de exame final podem realizar o exame, sem penalização  da nota já obtida.

Melhoria de classificação

Por exame final. A classificação do trabalho prático não pode ser melhorada.

Observações

Fortemente recomendada a aprovação prévia a "Desenho e Análise de Algoritmos" e "Estruturas de Dados" (ou equivalente).

=============

Alterações de Funcionamento e Avaliação devido à Pandemia por Covid-19:

• Aulas síncronas dadas por Zoom.


• Não há perda de frequência por falta de assiduidade.


• Não há testes durante o semestre para dispensa de exame final.


• Os exames deverão ser realizados presencialmente.


• Fórum para apoio à UC no Piazza: https://piazza.com/dcc.fc.up.pt/spring2020/cc2006