Inteligência Artificial

Código:

EIC0029

Sigla:

IART

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2013/2014 - 2S (de 10-02-2014 a 05-06-2015)

Ativa?	Sim
Página Web:	http://www.fe.up.pt/~eol/IA/ia1314.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	156	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

Designação	Peso (%)
Exame	50,00
Teste	15,00
Trabalho escrito	15,00
Trabalho laboratorial	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 >= 37,5% na componente de Aaliação Distribuída (AD)

Fórmula de cálculo da classificação final

Componente de Avaliação Distribuída (AD): peso=50%, 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 (CE): peso=50% (prova com consulta, com a duração de 2h30m).

A aprovação implica obtenção de nota >= 37.5% 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 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.

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.