DC-UFRPE/Bacharelado em Ciência da Computação/Inteligência Artificial

Fonte: Wikiversidade

Programa da Disciplina[editar | editar código-fonte]

Nome: INTELIGÊNCIA ARTIFICIAL
Código: 14074
Departamento: Departamento de Computação (DC)
Área: Computação
Carga-horária total: 60 horas
Créditos: 4
Pré-requisitos: INTRODUÇÃO À PROGRAMAÇÃO I (Cód. 14117)

INTRODUÇÃO À PROGRAMAÇÃO II (Cód. 14118)

Equivalências: INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL (Cód. 06255)

Ementa[editar | editar código-fonte]

  • Definições de IA;
  • Agentes Inteligentes;
  • Resolução de problemas por meio de busca: sem informação e com informação;
  • Buscas locais para problemas de otimização;
  • Introdução à aprendizagem de máquina;
  • Aprendizagem supervisionada: baseada em instâncias, aprendizagem bayesiana. árvores de decisão, introdução às redes neurais;
  • Aprendizagem não supervisionada;
  • Aprendizagem por reforço;
  • Lógica Fuzzy.

Objetivos[editar | editar código-fonte]

  • Fornecer aos alunos uma visão básica, porém, abrangente da inteligência artificial e suas aplicações. Essa disciplina também procura fornecer subsídios a alunos que no futuro, por ventura, venham seguir alguma linha de pesquisa na área em questão.

Conteúdo[editar | editar código-fonte]

Notícias Sobre Inteligência Artificial[editar | editar código-fonte]

Bibliografia Básica[editar | editar código-fonte]

  • Stuart Russel, Peter Norvig, Inteligência Artificial, Prentice Hall, 2004;
  • André Carvalho, et al., Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC, 2011;
  • Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, 2. ed., Willey, 2000;
  • WITTEN, I. H; FRANK, Eibe; HALL, Mark A. Data mining: practical machine learning tools and techniques. 3rd ed. Burlington, MA: Elsevier/Morgan Kaufmann, 2011;
  • LUGER, George F; ENGEL, Paulo Martins (Trad). Inteligência artificial: estruturas e estratégias para a resolução de problemas complexos. 4. ed. Porto Alegre, RS: Bookman, 2004.
  • COPPIN, B. Inteligência Artificial. Rio de Janeiro:LTC, 2010. 668 p.

Bibliografia Complementar[editar | editar código-fonte]

  • MITCHELL, T. M. Machine Learning. Singapore: McCraw-Hill, 1997.414 p;
  • WOOLDRIDGE, M. An Introduction to MultiAgent Systems. Wiley; 2nd edition, 2009;
  • BISHOP, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  • RICH, Elaine; KNIGHT, Kevin. Inteligência artificial. 2ª ed. São Paulo: Makron Books, 1994;
  • HAYKIN, Simon. Neural Networks and Learning Machines. Pearson 3rd edition. 2008.

Material Complementar[editar | editar código-fonte]

  • KNN: https://medium.com/@kbrook10/day-11-machine-learning-using-knn-k-nearest-neighbors-with-scikit-learn-350c3a1402e6;
  • Naive Bayes: https://scikit-learn.org/stable/modules/naive_bayes.html#naive-bayes;
  • Árvore de Decisão: https://www.datacamp.com/community/tutorials/decision-tree-classification-python;
  • Busca Informada e Não-Informada: https://edisciplinas.usp.br/pluginfile.php/4138055/mod_resource/content/1/Aula%20Busca%20Informada%20e%20N%C3%A3o-Informada.pdf;