DC-UFRPE/Licenciatura Plena em Computação/Inteligência

Programa da Disciplina

Nome: Inteligência Artificial	Código:14074
Departamento: Departamento de Computação	Área: Ciência da Computação
Carga-horária total: 60 horas	Créditos: 4
Carga-horária semanal: 4 horas (teóricas: 4; práticas: 0; EAD*: 0)
Pré-Requisitos: : Programação II	Co-requisitos:Nenhum

Ementa

Definições de IA. Agentes inteligentes. Resolução de problemas por meio de busca: buscas com e sem informação; Buscas locais para problemas de otimização. Busca competitiva: algoritmo minimax. Introdução à Aprendizagem de Máquina. Aprendizagem baseada em instâncias. Aprendizagem bayesiana. Árvores de decisão. Introdução às redes neurais: perceptron; Aprendizagem não supervisionada: agrupamento.

Prática como componente curricular (30h)

não há prática como componente curricular.

Objetivos

Fornecer aos alunos os conhecimentos básicos dos principais tópicos da Inteligência Artificial, bem como apresentar as principais sub-áreas e suas aplicações.

Objetivos Específicos:

• Introduzir as principais áreas de Inteligência Artificial (IA);
• Estimular os alunos a estarem aptos a resolverem problemas por meio de IA;
• Entender as aplicações de IA;
• Desenvolver aplicações simples de IA.

Apresentação da disciplina:

Na disciplina de inteligência artificial, o aluno vai aprender os conceitos básicos de IA, entender como funciona a aprendizagem de máquina e redes neurais.

Metodologia das aulas:

Exemplo de funcionamento do Perceptron

• Aulas expositivas
• Atividades teóricas
• Provas escritas
• Projeto

Conteúdo Programático do período letivo 2020.1

1. Inteligência Artificial.
   1. O que é IA?
   2. História de IA.
   3. Usos e Limitações.
2. Agentes Inteligentes.
   1. Definições
   2. Estrutura de agentes inteligentes
   3. Ambientes
3. Resoluções de Problemas
   1. Resoluções de problemas por meio de busca
   2. Busca com Informação e Exploração
   3. Busca Local
   4. Algoritmos Genéticos
4. Aprendizado Supervisionado
   1. Aprendizagem Baseada em Instâncias
   2. Aprendizado Bayesiano
   3. Arvores de Decisão
   4. Redes Neurais
5. Aprendizado não supervisionado
   1. Algoritmos de agrupamento
      • Hierárquicos
      • Particionais

Método Avaliativo do período letivo 2020.1:

Em todas as semanas, uma atividade será proposta e será considerada para computar a presença/falta daquela semana. Essa atividade poderá ser um exercício, um teste de múltipla escolha e/ou parte de um projeto.

As atividades de cada semana que irá compor a nota de VA somam de 0 a 10 pontos.

A nota da primeira VA (1ª VA) será a média aritmética das atividades das semanas 4 a 7.

A nota da segunda VA (2ª VA) será a média aritmética das atividades das semanas 9 a 14 (algumas destas atividades poderão ser parte de um projeto).

A terceira VA (3 ª VA) será realizada na semana 15 e será composta por exercícios/projeto sobre todo o assunto do semestre.

A prova final (semana 16) consistirá na nota de uma atividade sobre o conjunto do conteúdo.

Conteúdos:

Na primeira parte da disciplina será dado uma breve introdução, seguindo para o primeiro assunto que é o de agentes inteligentes, onde agente inteligente, é aquele que adota a melhor ação possível diante de uma situação, está presente na resolução de uma infinidade de problemas dos usuários comuns. Hoje, a internet conta com diversas iniciativas que utilizam agentes, desde sites que comparam preços de produtos para compra até mecanismos de busca inteligentes, que navegam dentro das páginas web, apresentando o resultado da busca classificado pelo grau de acerto e relevância dos assuntos.

Na segunda parte da disciplina será ensinado Buscas, onde são divididas em, buscas cega, busca com informação, busca local e busca competitiva. Sobre o conceito de busca em inteligência artificial, um algoritmo de busca, em termos gerais é um algoritmo que toma um problema como entrada e retorna a solução para o problema, geralmente após resolver um número possível de soluções. Uma solução, no aspecto de função intermediária, é um método o qual um algoritmo externo, ou mais abrangente, utilizará para solucionar um determinado problema. Esta solução é representada por elementos de um espaço de busca, definido por uma fórmula matemática ou um procedimento, tal como as raízes de uma equação com números inteiros variáveis, ou uma combinação dos dois, como os circuitos hamiltonianos de um grafo. Já pelo aspecto de uma estrutura de dados, sendo o modelo de explanação inicial do assunto, a busca é um algoritmo projetado para encontrar um item com propriedades especificadas em uma coleção de itens. Os itens podem ser armazenadas individualmente, como registros em um banco de dados. A maioria dos algoritmos estudados por cientistas da computação que resolvem problemas são algoritmos de busca. Na terceira parte da disciplina, será dado problemas de satisfação de restrições e aprendizagem de máquina, onde O problema da satisfação de restrições do inglês constraint satisfaction problems (CSPs) são problemas matemáticos definidos como um conjunto de objetos cujo estado dos mesmos deve satisfazer uma série de restrições. CSPs representam as entidades de um problema como um conjunto homogêneo de restrições finitas sobre as variável do problema, tal problema é resolvido por métodos de satisfação de restrições. aprendizado automático ou a aprendizagem automática ou também aprendizado de máquina ou aprendizagem de máquina (em inglês: machine learning) é um subcampo da Engenharia e da ciência da computação que evoluiu do estudo de reconhecimento de padrões e da teoria do aprendizado computacional em inteligência artificial. Em 1959, Arthur Samuel definiu aprendizado de máquina como o "campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados" (livre tradução). O aprendizado automático explora o estudo e construção de algoritmos que podem aprender de seus erros e fazer previsões sobre dados. Esses algoritmos operam construindo um modelo a partir de inputs amostrais a fim de fazer previsões ou decisões guiadas pelos dados ao invés de simplesmente seguindo inflexíveis e estáticas instruções programadas. Enquanto que na inteligência artificial existem dois tipos de raciocínio (o indutivo, que extrai regras e padrões de grandes conjuntos de dados, e o dedutivo), o aprendizado de máquina só se preocupa com o indutivo.

Na quarta e última parte será feito um projeto envolvendo todo o assunto, o aluno deverá desenvolver, perceptrons, algoritmos de buscas e aprendizagem de máquina, os mais comumente usados pelos professores do DC/UFRPE são os algoritmos, kNN, Árvores de Decisão, Naive Bayes e Redes Neurais MLP. Dependendo do professor isso pode variar, porém a parte prática é de extrema importância para essa disciplina e abaixo contém alguns links que possam ajudar a passar nessa disciplina.

Links úteis

• Arvore de MIM e MAX
• https://scikit-learn.org/stable/
• https://colab.research.google.com
• https://www.kaggle.com

Bibliografia

Bibliografia básica:

1. RUSSEL, S.; NORVIG, P. Inteligência Artificial - Tradução da Segunda Edição. Rio de Janeiro: Elsevier, 2004. 1021 p. 25
2. THEODORIDIS, Sergios; KONSTANTINOS, Koutroumbas. Pattern recognition. 4th ed. Burlington, Mass.: Elsevier, 2009.
3. André Carvalho, et al., Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC, 2011.

Bibliografia complementar:

1. WITTEN, I. H; FRANK, Eibe; HALL, Mark A. Data mining: practical machine learning tools and techniques. 3rd ed. Burlington, MA: Elsevier/Morgan Kaufmann, 2011.
2. BISHOP, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
3. HAYKIN, Simon. Neural Networks and Learning Machines. Pearson 3rd edition. 2008.
4. Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, 2. ed., Willey, 2000.
5. BITTENCOURT, Guilherme. Inteligência artificial: ferramentas e teorias. 3. ed. Florianópolis, SC: Editora da UFSC, 2006