Inteligência Artificial

Código:

CC2006

Sigla:

CC2006

Nível:

200

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2023/2024 - 2S

Ativa?	Sim
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	48	162
L:CC	84	Plano estudos a partir do ano letivo 2021/22	2	-	6	48	162
L:EG	3	Plano estudos a partir do ano letivo 2019	3	-	6	48	162
L:F	2	Plano de Estudos Oficial	2	-	6	48	162
			3
L:G	0	Plano estudos a partir do ano letivo 2017/18	2	-	6	48	162
			3
L:IACD	56	Plano Oficial a partir do ano letivo 2021/22	2	-	6	48	162
L:M	15	Plano de Estudos Oficial	2	-	6	48	162
			3
L:MA	0	Plano de Estudos Oficial	3	-	6	48	162
L:Q	1	Plano estudos a partir do ano letivo 2016/17	3	-	6	48	162

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. Modelos de Markov ocultos.

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.

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	60,00
Frequência das aulas	48,00
Trabalho escrito	11,00
Trabalho laboratorial	28,00
Total:	162,00

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

A nota final será dada por:

F = 0.6*E + 0.4*P

F: nota final
E: Exame
P:Trabalhos práticos

Existem 2 trabalhos práticos. Cada um vale 4 valores.
Para serem aprovados, os alunos devem ter nota superior a 1,6 valores em cada trabalho prático.
Para serem aprovados, os alunos devem ter nota superior a 7 valores no exame.

Melhoria de classificação

No exame final (época normal) ou no exame de recurso.

Observações

Estruturas de Dados