Inteligência Artificial
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2021/2022 - 2S
Ciclos de Estudo/Cursos
Docência - Responsabilidades
Língua de trabalho
Português e inglês
Obs.: Materials may be made available in English. Classes will be taught in Portuguese.
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 cursado pelo menos a disciplina de Estruturas de Dados.
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. 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). 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. Algoritmos POP e CPOP.
4. Aprendizagem de máquina: sistemas indutivos. Árvores de decisão, ganho de informação. Raciocínio probabilístico. Redes de crenças. Aprendizagem de redes de crenças.
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
P. Winston; Artificial Intelligence, 3rd edition, Addison-Wesley, 1992
Métodos de ensino e atividades de aprendizagem
Aulas teóricas e teórico-práticas expositivas.
Aulas práticas no laboratório.
Trabalhos práticos no laboratório.
Informação para alunos mantida na página
http://www.dcc.fc.up.pt/~ines/aulas/2122/IA/IA.html
Software
Aleph
WEKA
YAP ou SWI
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
60,00 |
Trabalho prático ou de projeto |
40,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Apresentação/discussão de um trabalho científico |
15,00 |
Estudo autónomo |
20,00 |
Frequência das aulas |
28,00 |
Trabalho escrito |
9,00 |
Trabalho laboratorial |
28,00 |
Total: |
100,00 |
Obtenção de frequência
Todos os estudantes podem ir à exame. Há nota mínima em cada parte da avaliação (ver no cálculo da avaliação final).
Fórmula de cálculo da classificação final
2 testes: T1 e T2 com peso 50%, cada um.
Para serem aprovados, os estudantes, além de ter avaliação positiva, devem ter nota mínima nos testes: 40% em cada teste.
Se a soma T1+T2+Trabalhos >= 9.5 e o estudante atender ao critério da nota mínima na parte teórica e na parte prática dos testes, está dispensado de fazer exame.
Os testes não são obrigatórios. Se algum estudante não puder comparecer a um ou aos dois testes, pode ir fazer o exame na época normal e na época de recurso, se for o caso.
Mesmo que o estudante tenha feito um dos testes ou ambos, também tem direito a comparecer ao exame da época normal ou ao exame da época de recurso.
Os exames serão feitos no mesmo modelo dos testes, com duas componentes:
1 - matéria relativa ao teste T1
2 - matéria relativa ao teste T2
Os estudantes poderão optar por uma das componentes ou pelas duas. A melhor nota de cada componente repetida é a escolhida.
A nota final será dada por:
N = max(T1,E1) + max(T2,E2) + Trabalhos
com E1 e E2, as notas de cada uma das partes do exame.
Se max(T1,E1) >= 40% AND max(T2,E2) >= 40% AND N >= 9,5
então
APROVADO
senão
REPROVADO
Atenção: mesmo tendo nota positiva, se o estudante não obtiver nota mínima em algumas das partes dos testes ou exames, ficará automaticamente reprovado.
Melhoria de classificação
No exame final (época normal) ou no exame de recurso.
Observações
Estruturas de Dados