Inteligência Artificial

Código:

EIC0029

Sigla:

IART

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2012/2013 - 2S

Ativa?	Sim
Página Web:	http://www.fe.up.pt/~eol/IA/ia1213.html
Página e-learning:	https://moodle.fe.up.pt/
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado Integrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEIC	131	Plano de estudos a partir de 2009/10	3	-	6	56	162

Língua de trabalho

Português

Objetivos

Esta unidade curricular apresenta um conjunto de assuntos nucleares para a área dos Sistemas Inteligentes.

Objectivos:

• Saber o que carateriza e distingue a IA e qual a sua aplicabilidade.


• Saber como Representar, Adquirir, Manipular e Aplicar Conhecimento usando Sistemas Computacionais.


• Desenvolver um pequeno projeto usando técnicas de IA.

Distribuição Percentual: Componente científica: 60%; Componente tecnológica: 40%

Resultados de aprendizagem e competências

No final da unidade curricular, o estudante deverá ter capacidade para Representar, Adquirir, Manipular e Aplicar Conhecimento usando Sistemas Computacionais. Mais especificamente, o estudante deverá ser capaz de:

• Saber representar Conhecimento impreciso.


• Comparar métodos heurísticos e sistemáticos na pesquisa de soluções.


• Desenvolver interfaces em Linguagem Natural e Motores de inferência para Sistemas Periciais.


• Conhecer algoritmos de aprendizagem Indutiva e dedutiva.

Modo de trabalho

Presencial

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

É útil o conhecimento de noções básicas de algoritmia e programação baseada em lógica.

Programa

I INTRODUÇÃO

• Objetivo


• Metodologia (ensino e avaliação)


• Evolução e Cronologia da Inteligência Artificial


• Documentação

II NOÇÕES BASICAS

• Definições: o que é a I. A.?


• Aplicações: em que domínios?


• Definições básicas de Agente


• Arquiteturas de Agentes: Dos Reactivos aos Cognitivos

III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS

• Sistemas de "Produções"


• Estratégias de Controlo da Pesquisa Sistemática


• Encadeamento direto e inverso


• Primeiro em Profundidade e Primeiro em Largura


• Pesquisa irrevogável: ("hill climbing")


• Pesquisa por tentativas: "backtracking"


• Pesquisa em grafo


• Algorítmo "Branch and Bound" (ramifica e limita)


• Pesquisa Heurística: "O melhor primeiro"


• Algoritmo A* e decréscimo progressivo da admissibilidade


• Análise Meios-Fins


• Métodos de Satisfação de Restrições: Princípios da "Relaxação"


• Pesquisa em "Jogos": Procedimento Minmax


• Cortes Alfa-Beta


• Exemplos em Prolog de estratégias básicas: Interpretadores primeiro-em-largura e primeiro-em-profundidade


• Algoritmos para a Evolução

IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO

• Definição de um Sistema de Representação


• Estruturas de Representação: Regras de Produção; Redes Associativas "Frames"; "Scripts"


• Lógica de Predicados e Outras Lógicas


• Raciocínio Inexato: Modelo Probabilístico; Factores de Certeza; Modelo Dempster- Schafer; Logica dos Conjuntos Difusos

V ENGENHARIA DO CONHECIMENTO

• Sistemas Baseados em Conhecimento


• Sistemas Periciais: Caraterização; Estrutura; Rep. do Conhecimento e Meta Conhecimento; Motor de Inferência e Geração de Explicações; Casos exemplares de Sistemas periciais: ORBI; SMYCIN; ARCA


• Demonstrações


• Sistemas Genéricos: "Shells"

VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL

• Objetivos e dificuldades


• Análises Sintática e Semântica


• ATN; Gramáticas Semânticas; Gramáticas de Caso


• Aproximação clássica e uso da Lógica


• Gramáticas com Cláusulas Definidas; alguns ex. em Português


• Gramáticas de extraposição

VII APRENDIZAGEM AUTOMÁTICA

• Tipos de aprendizagem


• Aprendizagem de Conceitos; ap. pelo exemplo; ap. por analogia; ap. Baseada em Explicações (EBL): Descrição dos Algorítmos para EBG, mEBG e IOL; Exemplo concreto.


• Aprendizagem Indutiva: Algorítmos ID3 e C4.5


• Exemplos de Aplicação

VIII INTRODUÇÃO ÀS REDES NEURONAIS

• Princípios básicos (elemento de processamento; estrutura; leis de aprendizagem)


• Algorítmos fundamentais ("perceptron"; "back-propagation")


• Exemplo de Aplicação

Bibliografia Obrigatória

Stuart Russell, Peter Norvig; Artificial intelligence. ISBN: 978-0-13-207148-2

Bibliografia Complementar

Bratko, Ivan; Prolog programming for artificial intelligence, N. ISBN: 0-201-40375-7
J. Ross Quinlan; Programs for Machine Learning, Morgan Kaufmann Publishers, 1998 (Livro sobre algoritmo C4.5)
Ernesto Costa e Anabela Simões; Inteligência artificial. ISBN: 972-722-269-2
Elaine Rich, Kevin Knight; Artificial intelligence. ISBN: 0-07-100894-2

Métodos de ensino e atividades de aprendizagem

Exposição com interacção nas Aulas teóricas. Exercícios de Programaçao em Prolog e desenvolvimento de projeto nas Aulas teórico-práticas.

Software

Java, C/C++
Prolog: SWI, Sicstus, LPA

Palavras Chave

Ciências Tecnológicas > Engenharia > Engenharia do conhecimento

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Descrição	Tipo	Tempo (Horas)	Peso (%)	Data Conclusão
Participação presencial (estimativa)	Participação presencial	56,00	0,00
Trabalho Prático	Trabalho laboratorial	40,00	20,00
Trabalho Prático (Relatório Intercalar)	Trabalho escrito	10,00	10,00
Trabalho Prático (Relatório Final)	Trabalho escrito	7,00	5,00
Minitestes (durante as aulas)	Teste	0,00	15,00
Exame	Exame	2,50	50,00
	Total:	-	100,00

Componentes de Ocupação

Descrição	Tipo	Tempo (Horas)	Data Conclusão
Estudo	Estudo autónomo	46,5
	Total:	46,50

Obtenção de frequência

A obtenção de frequência implica nota mínima de 3,75 valores (em 10) na componente de avaliação distribuída.

Fórmula de cálculo da classificação final

Componente de Avaliação Distribuída (AD): peso=50% (10 valores em 20); mínimo=3,75 valores (7,5 em 20); inclui (% relativas):

• Qualidade do trabalho realizado e desempenho na apresentação (40%);


• Relatório Final (10%);


• Relatório + Trabalho Intercalar (20%);


• Avaliação durante as aulas: minitestes (30%)

Componente de Teste/Exame (E): peso=50% (10 valores em 20); mínimo=3,75 valores (7,5 em 20) (prova com consulta, com a duração de 2h30m).

A aprovação implica nota mínima de 3,75 valores (em 10) em qualquer das componentes de avaliação.

Provas e trabalhos especiais

Os estudantes inscritos ao abrigo de regimes especiais devem comparecer a todos os pontos de avaliação. Na impossibilidade de comparecer aos minitestes nas aulas teóricas especificadas, devem combinar com o docente uma nova data.

A avaliação dos estudantes em exame de época especial é composta por: realização de um trabalho prático e respetivo relatório (peso=50%), e realização de exame (peso=50%).

A aprovação implica a necessidade de nota >=3,75 (em 10) em qualquer uma das parcelas de avaliação (AD e E).

Avaliação especial (TE, DA, ...)

Os estudantes inscritos ao abrigo de regimes especiais devem comparecer a todos os pontos de avaliação. Na impossibilidade de comparecer aos minitestes nas aulas teóricas especificadas, devem combinar com o docente uma nova data.

A avaliação dos estudantes em exame de época especial é composta por: realização de um trabalho prático e respetivo relatório (peso=50%), e realização de exame (peso=50%).

A aprovação implica a necessidade de nota >=3,75 (em 10) em qualquer uma das parcelas de avaliação (AD e E).

Melhoria de classificação

A melhoria de classificação pode ser efetuada quer por trabalho quer por teste de recurso (ou ambos).

A classificação dos minitestes não é contabilizada para efeitos de melhoria de classificação, passando a sua ponderação para a componente de Exame.