Tópicos Avançados em Inteligência Artificial

Código:

CC4022

Sigla:

CC4022

Nível:

400

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado 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
E:BBC	0	PE_Bioinformática e Biologia Computacional	1	-	6	42	162
M:BBC	1	Plano estudos a partir de 2018	2	-	6	42	162
M:CC	9	PE a partir do ano letivo de 2014	1	-	6	42	162
M:DS	13	Plano Oficial a partir de 2018_M:DS	1	-	6	42	162
			2

Língua de trabalho

Inglês

Objetivos

Proporcionar aos alunos conhecimentos sobre os novos desenvolvimentos em IA que envolvem avanços em áreas tão díspares como lógica, estatística e investigação operacional.

Enfase será colocada em:
  - pesquisa probabilistica, com foco em Monte Carlo Tree Search
  - modelos gráficos probabilísticos, dirigidos e não dirigidos, incluindo inferência e aprendizagem de parâmetros e de estrutura; ligação â classificadores lineares e redes neuronais
 - representacão lógica: Lógica de primeira ordem (FOL) e Datalog para representação de estrutura; aprendizagem de programas lógicos em Programação Lógica Indutiva (ILP).
- integração: Aprendizagem relacional estatística (SRL) e redes neuronais-lógicas (NeSy).

O curso requer competências adquiridas em Desenho e Análise de Algoritmos, Inteligência Artificial e Data Mining.

Resultados de aprendizagem e competências

Desenvolver a capacidade de utilização de técnicas de inteligência artificial e algoritmos de pesquisa em situações práticas em que parte do conhecimento resida em bases de dados.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Desenho e Análise de Algoritmos, Inteligência Artificial, Data Mining I

Programa

Esta UC funcionará em 3 módulos, como segue:

Módulo 1: Monte Carlo Tree Search
1.1. Introdução à Aprendizagem por Reforço::
 - Coneitos gerais
 - Processos de decisão de Markov (MDPs)
 - Exploration vs. exploitation
1.2. Bandit Algorithms:
 - Multi-armed bandit problem
 - Epsilon-greedy, UCB, Thompson sampling
 - Contextual bandits
 -Aplicações selecionadas
1.3. Monte Carlo Tree Search:
 - Fundamentos de MCTS
 - Políticas de árvore e políticas padrão
 - Limite superior de confiança para árvores (UCT)
 - Aplicações (jogos, robótica)
1.4.Tópicos Avançados:
 - Aprendizagem profunda por reforço
 - Aplicações em domínios selecionados

Módulo 2: Representação em Lógica de primeira ordem e modelação
2.1 Introdução à programação lógica probabilística
    - breve revisão de programação lógica
    - representação do conhecimento usando programação lógica
    - representação do conhecimento usando programação lógica probabilística
    - sintaxe e semântica de programação lógica probabilística utilizando ProbLog e CLP(BN)
2.2 Aprendizagem de Programas em Lógica Probabilística
    - introdução à programação lógica indutiva (ILP)
    - algoritmos e sistemas para ILP
    - limitações
    - aprendendo regras probabilísticas lógicas de primeira ordem
        - algoritmos e complexidade
        - cálculos de probabilidade exatos e aproximados
        - combinando inferência probabilística com inferência lógica
2.3 Argumentação Bipolar (se o tempo permitir)

Módulo 3:
3.1 ILP revisitado:
- lidar com grandes  data-sets
- Exemplos
- Inducão como Abdução.
3.2 SRL e NeSy
  - From Problog to NNs: it's all about layers
  - From TensorLog to GNNs: it's all about matrixes
  - Experimental Evaluation
3.3 Generative Models
    -  Does Logic Programming need attention?
    -  Meliad and AlphaProof
    - Tanenbaum's ToW
3.4 Where do you go from here?
     - Discussion with free-ring-your-favorite-paper!

Bibliografia Obrigatória

Richard S. Sutton and Andrew G. Barto; Reinforcement Learning: An Introduction, MIT Press. ISBN: 978-0262039246 (http://incompleteideas.net/book/the-book-2nd.html)
Fabrizio Riguzzi;; Foundations of Probabilistic Logic Programming Languages, Semantics, Inference and Learning, River Publishers, 2022
Luc de Raedt; Probabilistic inductive logic programming. ISBN: 9783540786511

Bibliografia Complementar

Stuart Russell, Peter Norvig; Artificial Intelligence: A Modern Approach, Pearson, 2020. ISBN: 978-0134610993

Observações Bibliográficas

Apontamentos disponíveis no Moodle.

Métodos de ensino e atividades de aprendizagem

Exposição teórica com discussão da aplicação em inteligência artifical.
Resolução de exercícios.

Software

python

Palavras Chave

Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial
Ciências Físicas > Matemática > Matemática aplicada > Análise numérica
Ciências Físicas > Matemática > Matemática aplicada > Investigação operacional

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	75,00
Exame	25,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	106,00
Frequência das aulas	56,00
Total:	162,00

Obtenção de frequência

Fórmula de cálculo da classificação final

Classificação final = T1 + T2 + T3 + E
T1 = classificação do 1º teste, com cotação de 5 valores
T2 = classificação do 2º teste, com cotação de 5 valores
T3 = classificação do 2º teste, com cotação de 5 valores
E = classificação do exame final, com cotação de 5 valores

Nota: alunos com média de 75% ou superior nos testes estão dispensados do exame final.

Provas e trabalhos especiais

n/a

Trabalho de estágio/projeto

n/a

Avaliação especial (TE, DA, ...)

Idêntica à dos restantes estudantes.

Melhoria de classificação

Exame final.