Guia de Cursos

Queres conhecer a oferta de cursos da NOVA, nas áreas das licenciaturas, mestrados e doutoramentos?
No nosso Guia de Cursos encontras informação útil sobre Faculdades, Institutos e Escolas.
Podes ainda aceder a informações complementares necessárias a uma completa integração.

saber mais Guia de Cursos

Faculdade de Ciências e Tecnologia

Inteligência Artificial

Código

1712

Unidade Orgânica

Faculdade de Ciências e Tecnologia

Departamento

Departamento de Informática

Créditos

6.0

Professor responsável

João Alexandre Carvalho Pinheiro Leite

Horas semanais

5

Total de horas

69

Língua de ensino

Português

Objectivos

Saber
  • Paradigmas, áreas e aplicações da Inteligência Artificial.
  • Algoritmos de procura cega, informada e local. Heurística e função de avaliação. Complexidade.
  • Inferência em lógica proposicional, de 1ª ordem e em redes Bayesianas. Limitações.
  • Linguagem de planeamento e algoritmos para construção de planos.
  • Abordagens da aprendizagem automática e algoritmos essenciais.
Fazer
  • Modelar problemas de procura, especificar heurísticas e avaliar o seu comportamento.
  • Implementar algoritmos de procura. Parametrização e experimentação dos algoritmos.
  • Modelar e resolver problemas com Programação em Lógica.
  • Modelar conhecimentos com redes Bayesianas. Efetuar inferência preditiva e de diagnóstico.
Competências complementares
  • Escolher apropriadamente instrumentos pesando a qualidade da solução e o tempo/espaço necessário para a obter.
  • Justificar ou selecionar soluções.
  • Trabalhar em equipa com a escrita de relatórios.
  • Capacidade de modelação abstracta.

Pré-requisitos

Assume-se bom conhecimento da linguagem Java e ambiente de desenvolvimento Eclipse.

Conteúdo

Teóricas:

1.Panorâmica e breve história da IA e suas aplicações

2.Resolução de problemas

2.1.Agentes e problemas de procura

2.2.Procura cega

2.3.Procura heurística em espaços de estados. Algoritmo A*.

2.4.Procura local e problemas de otimização

2.5.Agentes adaptativos

2.6.Problemas de Satisfação de Restrições

2.7.Procura com Adversários

3.Representação do Conhecimento e Raciocínio

3.1.Lógica Proposicional

3.2.Lógica de Predicados de Primeira Ordem

3.3.Programação em Lógica

4.Planeamento

4.1.Representação de problemas de planeamento clássicos

4.2.Linguagens e algoritmos de planeamento

4.3.GRAPHPLAN

5.Incerteza e raciocínio probabilístico

5.1.Teoria das Probabilidades e Regra de Bayes

5.2.Redes Bayesianas

6.Aprendizagem Automática

6.1.Abordagens ao problema da aprendizagem

6.2.Aprendizagem conceptual e indutiva

6.3.Redes Neuronais

7.Conclusão

Aulas práticas:

Procura informada em espaços de estados
Procura local
Procura com adversários
Programação em lógica
Planeamento
Incerteza e raciocínio probabilístico
Aprendizagem automática

Bibliografia

O manual adoptado é [Stuart Russell & Peter Norvig, 2010].

Alguns tópicos são somente tratados em [Costa & Simões, 2008].

[Sterling & Shapiro, 1994] é a referência à linguagem Prolog.
Os restantes livros são de leitura opcional.

Adoptados

  • Stuart Russel and Peter Norvig. Artificial Intelligence. A Modern Approach, 3rd edition. Prentice-Hall, Inc., 2010.
  • E. Costa e A. Simões. Inteligência Artificial. Fundamentos e Aplicações. 2ª edição, FCA, 2008.
  • L. Sterling and E. Shapiro. The Art of Prolog (2nd Ed.). MIT Press, 1994.

Complementares

  • Matt Ginsberg. Essentials of Artificial Intelligence. Morgan Kaufmann, 1994
  • Nils J. Nilson. Artificial Intelligence: A new synthesis. Morgan Kaufmann, 1998
  • I. Bratko. Prolog Programming for Artificial Intelligence, 3rd Edition, Pearson-Education, 2001.
  • P. Blackburn, J. Bos, e K. Striegnitz. Learn prolog Now! College Publications, 2006.

Método de avaliação

Avaliação

A unidade curricular tem duas componentes de avaliação que contribuem para a aprovação e classificação final:

  • Componente de Avaliação Teórico-Prática
  • Componente de Avaliação Sumativa

Componente de Avaliação Teórico-Prática

Poderá ser realizada através de dois testes teórico-práticos, em datas a indicar no CLIP, contribuíndo os dois testes com peso igual para a nota desta componente. Poderá ainda ser realizada através de um exame na época de recurso, em data a indicar no CLIP. A componente de avaliação Teórico-Prática, bem como a cada uma das suas partes (testes e exame), é classificada com uma nota de 0-20 valores, arredondada à primeira casa decimal.

Componente de Avaliação Sumativa

Para esta componente da avaliação contribuirá o desempenho dos alunos nas aulas práticas, incluindo a assiduídade, a participação activa nas tarefas dadas (exercícios de modelação, de implementação, etc.), e a resposta a pequenos questionários (quizz). A componente de avaliação sumativa é classificada com uma nota de 0-20, arredondada à primeira casa decimal.

Condições para Aprovação e Classificação Final

Para se obter aprovação à unidade curricular exige-se, cumulativamente, uma classificação não inferior a 9.5 valores na componente de avaliação Teórico-Prática e uma classificação final não inferior a 10 valores, sendo esta obtida através da média ponderada das duas componentes de avaliação, arredondada às unidades, com os seguintes pesos relativos:

  • Componente de Avaliação Teórico-Prática: 70%
  • Componente Sumativa: 30%

Notas de trabalhos realizados em edições anteriores

As notas da componente prática desta disciplina obtidas nos anos lectivos de 2012/2013 a 2016/2017 são válidas para a componente de avaliação Sumativa deste ano. Os alunos que pretendam manter a nota desta componente não se poderão inscrever em turnos práticos.

Cursos