Inteligência Artificial

Código:

EIC0029

Sigla:

IART

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2020/2021 - 2S

Ativa?	Sim
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	174	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 da Inteligência Artificial e dos Sistemas Inteligentes.

Os objetivos principais são:

• Caraterizar e distinguir a Inteligência Artificial (IA) e a sua aplicabilidade.

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

• Desenvolver projetos simples, mas completos, 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:

• Compreender os fundamentos da Inteligência Artificial e dos Sistemas Inteligentes, o que os caracteriza e distingue, qual a sua aplicabilidade e onde os encontramos no nosso quotidiano.
• Compreender a noção de Agente computacional e de Sistema Multi-Agente e ser capaz de projetar e implementar Agentes e Sistemas Multi-Agente para resolver diferentes problemas.
• Aprender métodos e algoritmos heurísticos e sistemáticos de Resolução de Problemas, com e sem Adversários, utilizando o Conhecimento na resolução de problemas complexos.
• Aprender métodos de Representação do Conhecimento Impreciso e Raciocínio utilizando diferentes formalismos.
• Compreender como desenvolver interfaces em Linguagem Natural e Motores de inferência para Sistemas baseados em conhecimento.
• Conhecer algoritmos de aprendizagem aplicando diferentes paradigmas (Indução, evolucionário, por reforço, neuronal, em profundidade/"Deep Learning", etc.).
• Compreender tópicos avançados em Inteligência Artificial e ser capaz de formular uma visão sobre o futuro da IA e as suas aplicações práticas agora e no futuro.

 

Modo de trabalho

Presencial

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

É útil o conhecimento de noções básicas de algoritmia, estruturas de dados e programação.

Programa

I. Introdução à Inteligência Artificial (IA)

Definição de IA. Fundamentos, Âmbito, Evolução e Cronologia da IA. Problemas e Abordagens da IA e dos Sistemas Inteligentes. Aplicações da IA

II. Agentes Inteligentes e Sistemas Multi-Agente

Conceito de Agente. Ambientes. Agentes Reativos, Deliberativos, Baseados em Objetivos, Baseados em Utilidade, com Aprendizagem e BDI. Sistemas Multi-Agente: Conceito, Motivação, Arquiteturas, Comunicação, Coordenação. Exemplos Práticos de Aplicação.

III. Métodos de Resolução de Problemas

Formulação de Problemas. Espaço de Estados. Estratégia de Pesquisa. Pesquisa Não Informada: Primeiro em Largura, Primeiro em Profundidade, Custo Uniforme, Aprofundamento Iterativo, Pesquisa Bidirecional. Pesquisa Inteligente: Pesquisa Gulosa, Algoritmo A*. Pesquisa com Adversários: Pesquisa em Jogos, Algoritmo Minimax, Cortes Alfa-Beta, Pesquisa com Informação Imperfeita. Exemplos Práticos de Aplicação.

IV. Otimização e Meta-heurísticas

Formulação de Problemas de Decisão/Optimização. Algoritmos “Hill-Climbing”, Arrefecimento Simulado, Pesquisa Tabu, “Ant Colony”. Algoritmos Genéticos e Computação Evolucionária. Satisfação de Restrições. Exemplos Práticos de Aplicação.

V. Engenharia do Conhecimento

Representação do Conhecimento e Raciocínio. Lógica Proposicional e Lógica de Predicados. Redes Semânticas, “Frames”, Regras e Ontologias. Programação em Lógica e Programação com Restrições. Raciocínio com Conhecimento Incerto. Sistemas Baseados em Conhecimento. Sistemas Periciais: Motor de Inferência, Geração de Explicações, Sistemas Genéricos (“Shells”). Exemplos Práticos de Aplicação.

VI. Aprendizagem Computacional

Tipos de Aprendizagem. Aprendizagem de conceitos, por exemplo, por analogia, baseada em explicações. Aprendizagem Indutiva: Algoritmos ID3 e C4.5. Redes Neuronais Artificiais: Princípios básicos e algoritmos fundamentais. Máquinas de Vetores de Suporte (“Support Vector Machines”). Aprendizagem por Reforço. Aprendizagem em Profundidade (“Deep Learning”). Exemplo Práticos de Aplicação.

VII. Processamento de Linguagem Natural

Níveis de Processamento. Análises Sintática e Semântica. ATN, Gramáticas Semânticas e Gramáticas de Caso. Aproximação Clássica e uso da Lógica. Gramáticas com Cláusulas Definidas. Gramáticas de Extraposição. Abordagem Estatística. Mineração de Texto (“Text Mining”). Exemplo Práticos de Aplicação.

VIII. Tópicos Avançados de Inteligência Artificial

Perceção/Visão, Comunicação, Interação, Planeamento, Escalonamento, Robótica, Simulação Inteligente, Inteligência Social. Aplicações de Inteligência Artificial e Sistemas Inteligentes. O Futuro da IA. IA e a Sociedade. IA Benéfica. IA Explicável. Máquina Éticas. IA fraca e IA forte. Super Inteligência. A Singularidade Tecnológica.

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
Pedro Domingos; The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, Basic Books, 2015. ISBN: ISBN-13: 978-0465065707

Métodos de ensino e atividades de aprendizagem

Exposição com interacção nas Aulas teóricas. Exercícios de modelação e resolução de problemas, de programaçao 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

Designação	Peso (%)
Exame	50,00
Teste	10,00
Trabalho escrito	10,00
Trabalho laboratorial	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	50,00
Frequência das aulas	56,00
Trabalho laboratorial	56,00
Total:	162,00

Obtenção de frequência

Não exceder o número limite de faltas e obter nota >= 7.5 (em 20) na componente de Avaliação Distribuída (AD)

Fórmula de cálculo da classificação final

Componente de Avaliação Distribuída (AD): peso=50%, inclui dois trabalhos práticos (% relativas):

• Trabalho1 (qualidade do trabalho e código, relatório e qualidade da demonstração) (40%);
• Trabalho2 (qualidade do Trabalho e código, relatório e qualidade da demonstração) (40%);
• Avaliação durante as aulas: minitestes/atividades moodle (20%)

Componente de Teste/Exame (CE): peso=50% (prova com consulta, com a duração de 2h30m).

A aprovação implica obtenção de nota >= 7.5 (em 20) em cada uma das duas componentes de avaliação, classificação distribuída (CD) e exame (CE).

 

Provas e trabalhos especiais

A avaliação dos estudantes em exame de época especial é composta por: realização de dois trabalhos práticos, respetivos relatórios e demonstrações (peso=50%), e realização de exame (peso=50%).

A aprovação implica a necessidade de nota >=7.5 (em 20) em qualquer das parcelas de avaliação.

Avaliação especial (TE, DA, ...)

Os estudantes inscritos ao abrigo de regimes especiais devem comparecer a todos os pontos de avaliação.

A avaliação dos estudantes em exame de época especial é composta por: realização de dois trabalhos práticos, respetivos relatórios e demonstrações (peso=50%), e realização de exame (peso=50%).

A aprovação implica a necessidade de nota >=7.5 (em 20) 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.