Introdução aos Sistemas Inteligentes e Autónomos

Código:

CC3042

Sigla:

CC3042

Nível:

300

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2022/2023 - 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	2	Plano Oficial a partir do ano letivo 2021/22	3	-	6	56	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 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