Inteligência Artificial
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Inteligência Artificial |
Ocorrência: 2013/2014 - 2S (de 10-02-2014 a 05-06-2015) ![Requerida a integração com o Moodle Ícone do Moodle](/feup/pt/imagens/MoodleIcon)
Ciclos de Estudo/Cursos
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 + 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.