6 ECTS; 2º Ano, 2º Semestre, 42,0 PL + 28,0 TP + 5,0 OT , Cód. 814345.
Docente(s)
- Renato Eduardo Silva Panda (1)(2)
(1) Docente Responsável
(2) Docente que lecciona
Pré-requisitos
Conhecimentos básicos de programação e noções de algoritmia e estruturas de dados.
Objetivos
A unidade curricular visa introduzir os fundamentos da Inteligência Artificial, proporcionando uma visão global das principais abordagens, métodos e domínios de aplicação.
Pretende-se que os estudantes adquiram competências para modelar problemas, aplicar técnicas fundamentais de resolução e compreender o papel da aprendizagem automática em sistemas inteligentes, estabelecendo bases para unidades curriculares avançadas da área.
No final, os estudantes deverão ser capazes de:
Compreender os conceitos fundamentais e a evolução da Inteligência Artificial
Modelar problemas como sistemas de perceção, decisão e ação
Aplicar métodos básicos de procura e resolução de problemas
Compreender princípios de representação do conhecimento e raciocínio
Utilizar técnicas elementares de aprendizagem automática
Interpretar resultados e reconhecer limitações das abordagens utilizadas
Programa
1. Introdução à Inteligência Artificial: conceitos, evolução e aplicações
2. Agentes inteligentes: perceção, ação, ambientes e racionalidade
3. Métodos de resolução de problemas: procura não informada e informada, heurísticas e jogos
4. Representação do conhecimento e raciocínio: lógica proposicional e de predicados, noções de planeamento
5. Aprendizagem automática: classificação, regressão, árvores de decisão, k-NN, redes neuronais e avaliação de modelos
6. Técnicas inspiradas na natureza: algoritmos genéticos
Estes pontos são suportados por implementação prática: utilização de ferramentas e análise de resultados
Metodologia de avaliação
A avaliação é composta por duas componentes:
Prova escrita (50%)
Avaliação individual sob a forma de exame, incidindo sobre os conteúdos teóricos e conceitos fundamentais.
Trabalhos práticos (50%)
Realização de trabalhos laboratoriais com aplicação de técnicas lecionadas.
É exigida uma classificação mínima de 35% em cada componente. A classificação final é a média ponderada, numa escala de 0 a 20 valores, sendo necessária uma classificação mínima de 10 valores para aprovação.
Bibliografia
(2014). Introduction to Machine Learning. 3rd ed.. Cambridge, MA: MIT Press
(2020). Artificial Intelligence: A Modern Approach. 4th ed.. Harlow: Pearson Education Limited
Método de Ensino
Aulas teóricas para apresentação dos conceitos fundamentais e aulas laboratoriais para resolução de exercícios e desenvolvimento de aplicações práticas com ferramentas de Inteligência Artificial.
Software utilizado nas aulas
Python, Anaconda, Jupyter Notebook, Scikit-learn, Weka
Objetivos de Desenvolvimento Sustentável
