Eduardo Bezerra

Inteligência Artificial (2019.1)

 

causation

 

Cursos

Locais e horários das aulas

  • 2as-feiras, das 16:30h às 18:15h, no Pavilhão de Informática, lab. 02
  • 6as-feiras, das 14:30h às 16:25h, no Pavilhão de Informática, lab. 02

Objetivos

Apresentar uma introdução aos conceitos, modelos, métodos, técnicas e aplicações da Inteligência Artificial.

Ementa

Introdução à Inteligência Artificial; Estratégias de Busca em Espaços de Estados: busca cega; busca heurística. Busca competitiva. Processos de Decisão de Markov. Aprendizado por Reforço. Redes Bayesianas. Aprendizado de Máquina.

Veja também o plano de ensino da disciplina.

Moodle

Todos os alunos regularmente inscritos serão adicionados à disciplina homônima no Moodle, para que possam receber avisos importantes (dia/horário das provas, dúvidas gerais, submissões dos trabalhos, etc).

Livro-texto

 

Russell & Norvig, Artificial Intelligence: A Modern Approach, 3rd ed.

Página WEB do livro

Esse livro foi traduzido pela Elsevier/Brasil.

 

Aulas

Veja também o plano de curso da disciplina e o calendário acadêmico das graduações do CEFET/RJ.

Aula Data Comentário Leitura/Tarefa
1 11/fev Logística do curso, plano de aulas (IA-00). Visão geral da IA (IA-01)
2 15/fev Agentes e problemas de busca (IA-02a)
3 25/fev Busca sem Informação (Blind Search) – BFS, DFS, UCS, DLS, IDS (IA-02b)
4 11/mar Busca com Heurísticas (Heuristic search) – greedy search e A* (IA-03)
5  15/mar Busca com Heurísticas (Heuristic search) – greedy search e A* (IA-03)
6  18/mar Aplicações e propriedades do A* (IA-03)
7 25/mar Busca competitiva – Jogos Determinísticos (IA-04)
8  29/mar Busca competitiva – Jogos Estocásticos (IA-05)
9  01/abr Processos de Decisão de Markov – parte I (IA-06)
10  05/abr Processos de Decisão de Markov – parte II (IA-06)
11  08/abr Processos de Decisão de Markov – parte III (IA-07)
11  12/abr Processos de Decisão de Markov – parte IV (IA-07)
12 15/abr Aprendizado por Reforço – abordagens baseadas em modelo; q-learning básico (IA-08)
13  29/abr 1a avaliação semestral (P1)
14 03/mai Aprendizado por Reforço – epsilon-greedy; funções de exploração, q-learning aproximado (IA-09)
15  06/mai Aprendizado por Reforço – tutorial: OpenAI Gym
16 10/mai Teoria das Probabilidades (IA-10) Probability Cheat Sheet
17  13/mai Teoria das Probabilidades (IA-10) paper
18 17/mai Redes Bayesianas – representação (AI-11)
19  20/mai Redes Bayesianas – inferência (AI-12)
20  24/mai Redes Bayesianas – exercícios
21 27/mai Redes Bayesianas – tutorial pgmpy
22 31/mai Aprendizado de máquina: conceitos básicos (IA-13); árvores de decisão (IA-14), tutorial scikit-learn
23  03/jun Aprendizado de máquina: naive bayes (IA-15); kNN  (IA-16) exemplo – kNN
exemplo – Bernoulli NaiveBayes
24 Aprendizado de máquina: regressão linear (IA-17), regressão logística (IA-18) exemplo – regressão logística

exemplo – regressão linear
25  10/jun Exemplo: GridSearchCV
26  14/jun Avaliação do curso: formulário
27  17/jun 2a avaliação semestral (P2)

Listas de Exercícios

Trabalhos práticos

  • T1 – Busca em Espaço de Estados. Entrega: 17/mar.
  • T2 – Busca em Jogos. Entrega: 23/abr.
  • T3 – Aprendizado por Reforço. Entrega: 19/maio.
  • T4 – Redes Bayesianas. Entrega: 09/jun.
  • T5 – Aprendizado de Máquina (spambase.arff). Entrega: 23/jun.

Recursos recomendados

Livros de interesse geral sobre Inteligência Artificial

Back to top