Inteligência Artificial
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Ciência de Computadores |
Ocorrência: 2023/2024 - 2S ![Requerida a integração com o Moodle Ícone do Moodle](/fcup/pt/imagens/MoodleIcon)
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. 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