Introdução aos Sistemas Inteligentes e Autónomos
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2022/2023 - 1S
Ciclos de Estudo/Cursos
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 o conceito de aprendizagem por reforço, incluindo algoritmos atuais e mecanismos de aprendizagem por reforço profunda.
3. Compreender e ser capaz de utilizar conceitos de sistemas inteligentes multiagente tais como a comunicação, interação, coordenação, negociação e cooperação.
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 e Inteligência Artificial.
Programa
1. Sistemas Autónomos Inteligentes: Sistemas Inteligentes; Agentes; Sistemas Multiagente
2. Aprendizagem em Sistemas Autónomos: Processos de decisão de Markov e MDPs Parcialmente Observáveis; Métodos Model-Based e Model-Free; Aprendizagem por Reforço (RL); Exploration vs Exploitation; Aprendizagem por Reforço Profunda; Algoritmos de RL: Monte-Carlo, Q-Learning, SARSA; SAC e PPO.
3. Sistemas Multiagente: Conceito; Arquiteturas; Comunicação; Interação; Coordenação; Negociação; Trabalho em Equipa; Teoria dos Jogos; Planeamento Multiagente.
Bibliografia Obrigatória
Stuart Jonathan Russell;
Artificial intelligence. ISBN: 978-1-292-40113-3
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 orientada por projetos. Os estudantes realizam um projeto simples, mas completo durante o semestre.
Tipo de avaliação
Avaliação distribuída sem 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 |
56,00 |
Frequência das aulas |
56,00 |
Trabalho laboratorial |
50,00 |
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 no trabalho prático e 7.5 valores na média dos 2 mini-testes.
Fórmula de cálculo da classificação final
Tipo de Avaliação: Avaliação distribuída sem exame final.
2 Testes com Consulta: T1 com peso 25% e T2 com peso 25%.
Trabalho Prático (TP) com peso 50% com as seguintes componentes de avaliação: 20% * Apresentação Intercalar + 40% * Código & Demo do Projeto + 20% * Relatório Final/Artigo + 20% * Apresentação Final.
Nota Final = 0.25*T1+0.25*T2+0.5*TP
Em caso de Exame, este vale a soma de MT1 e MT2, i.e. 50%
Apenas é melhorável a nota do Exame/Mini-testes. A componente prática de trabalhos não é melhorável.
Provas e trabalhos especiais
N/A
Trabalho de estágio/projeto
N/A
Melhoria de classificação
O exame é melhorável na época de recurso. A parte prática não é melhorável.
Observações
Júri:
Luis Paulo Reis
Alípio Jorge
Álvaro Figueira