Inteligência Artificial

Código:

L.EIC029

Sigla:

IA

Áreas Científicas
Classificação	Área Científica
OFICIAL	Engenharia Informática e Computação

Ocorrência: 2023/2024 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Licenciatura 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
L.EIC	340	Plano Oficial	3	-	6	52	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Esta unidade curricular apresenta um conjunto de assuntos nucleares para a área da Inteligência Artificial (IA) e dos Sistemas Inteligentes. Os objetivos principais são:
1. Compreender os fundamentos da Inteligência Artificial e dos Sistemas Inteligentes, o que os caracteriza e distingue e qual a sua aplicabilidade.
2. Ser capaz de projetar e implementar Agentes e Sistemas Multi-Agente para resolver diferentes problemas.
3. Aprender métodos e algoritmos heurísticos e sistemáticos de resolução de problemas, com e sem adversários e algoritmos de otimização.
4. Aprender métodos de aquisição, representação e manipulação do Conhecimento impreciso utilizando diferentes formalismos.
5. Compreender as bases do processamento da linguagem natural e suas aplicações.
6. Conhecer e ser capaz de aplicar algoritmos de aprendizagem com diferentes paradigmas (supervisionada, não supervisionada, por reforço, evolucionária, em profundidade) e algoritmos (árvores de decisão, redes neuronais, SVMs).
7. Conhecer tópicos avançados em IA e ser capaz de formular uma visão sobre o futuro da IA.
8. Desenvolver projetos simples, mas completos, usando técnicas de IA.

Distribuição Percentual: Componente científica: 50%; Componente tecnológica: 50%

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.
• 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.
• Ser capaz de apliar métodos e algoritmos de pesquisa e de optimização para resolução de problemas complexos com e sem Adversários.
• Aprender métodos de Representação do Conhecimento Impreciso e Raciocínio utilizando diferentes formalismos.
• Ser capaz de aplicar algoritmos de aprendizagem com 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 no presente e no futuro.

Modo de trabalho

Presencial

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

Conhecimentos 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, Monte Carlo Tree Search, 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. Exemplos Práticos de Aplicação.

VI. Aprendizagem Computacional

História e Motivação para a Aprendizagem Computacional. Principais Tipos de Aprendizagem: Aprendizagem supervisionada, aprendizagem não supervisionada e aprendizagem de reforço. Conceito de Aprendizagem Profunda. Aplicações da Aprendizagem Computacional. Dados: Tipos, Qualidade de Dados, Pré-processamento e Transformação. Interpretação e Avaliação de Modelos. Ferramentas e Bibliotecas. Algoritmos: Árvores de decisão. K-Nearest Neighbour. Redes Neuronais Artificiais, Máquinas Vectoriais de Suporte. Exemplos Práticos de Aplicação.
Aprendizagem por Reforço: Estado, Acção, Política, Recompensa e Valor. Exploration-Exploitation Tradeoff. Processos de Decisão de Markov. Ferramentas e Bibliotecas. Algoritmos: Qlearning, SARSA, DQN, PPO e SAC. Exemplos Práticos de Aplicação.

VII. Processamento de Linguagem Natural

Introdução a PLN. Níveis de Processamento. Abordagem clássica. Gramáticas com Cláusulas Definidas. Abordagem estatística. Mineração de Texto. Tarefas de PLN. Recursos linguísticos. Aplicações de PNL. Aprendizagem em PLN. Processamento básico de texto: Normalização, Tokenization, Segmentação. Classificação de Texto. Bag of Words. Naive Bayes. Classificadores Generativos vs Discriminativos. Word Embeddings. Aprendizagem Profunda em PLN. Exemplos 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
Richard S. Sutton; Reinforcement learning. ISBN: 978-0-262-03924-6
Stuart Russel, Peter Norvig; Artificial Intelligence: A modern Approach.

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.

Palavras Chave

Ciências Tecnológicas > Engenharia > Engenharia do conhecimento

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	40,00
Trabalho laboratorial	40,00
Participação presencial	20,00
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 mínima de 7.5 (em 20) na componente de Trabalhos Práticos (TP)

Fórmula de cálculo da classificação final

TP = Trabalhos Práticos, MT = Mini-Testes, PA - Participação nas Aulas, ER = Exame de Recurso.

Classificação Final = 40%*TP + 40%*MT + 20%*PA

Componente TP inclui dois trabalhos práticos, cada um com peso de 50%.
Componente MT inclui dois mini-testes, cada um com peso de 50%.
Componente PA inclui participação nas aulas e realização de Kahoots. 

A aprovação implica obtenção de nota >= 7.5 (em 20) na componente MT. 

Classificação de Recuso = 40%*TP + 60%*ER

Provas e trabalhos especiais

N/A

Trabalho de estágio/projeto

N/A

Avaliação especial (TE, DA, ...)

As regras de avaliação aplicam-se a todos os estudantes, independentemente dos seus estatutos. Estudantes que, pelos seus estatutos, estejam dispensados de frequentar as aulas práticas devem contactar os docentes para acompanhamento dos trabalhos.

Melhoria de classificação

Os Minitestes são melhoráveis na época de recurso. A parte prática não é melhorável.