Eduardo Bezerra

Inteligência Artificial (2019.2)

 

causation

 

Cursos

Locais e horários das aulas

  • 3as-feiras, das 15:35h às 17:20h, no Pavilhão de Informática, lab. 01
  • 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.

12 24/setAprendizado por reforço (IA-08): Q-learning aproximado; tutorial OpenAI Gym

Aula Data Comentário Material complementar
1 06/ago Logística do curso, plano de aulas (IA-00). Visão geral da IA (IA-01)
2  09/ago Agentes e problemas de busca (IA-02a)
3  16/ago Busca sem informação (blind search) – BFS, DFS, UCS, DLS, IDS (IA-02b)
4  20/ago Busca com heurísticas (heuristic search) – greedy search e A* (IA-03) Vídeo: A* Pathfinding
5 23/ago Busca com heurísticas (heuristic search) – greedy search e A* (IA-03)
6 27/ago Aplicações e propriedades do A* (IA-03)
7 30/ago Busca competitiva – Jogos determinísticos (IA-04) Vídeo: minimax & alpha-beta pruning
8  03/set Busca competitiva – Jogos estocásticos (IA-05)
9 06/set Processos de decisão de Markov (AI-06): conceitos introdutórios
10 10/set Processos de decisão de Markov (AI-06): Value Iteration
11 13/set Aprendizado por reforço (IA-07): conceitos introdutórios, TDL, Q-learning  The Office – Pavlov Experiment
12  17/set Aprendizado por reforço (IA-08): epsilon-greedy; funções de exploração
13  24/set Aprendizado por reforço (IA-08): Q-learning aproximado; tutorial OpenAI Gym
14  27/set Reservado para discussão acerca do T3 Wumpus World
15  01/out Revisão para a P1
16 04/out 1a avaliação semestral (P1)
17  08/out Teoria das probabilidades (IA-10) Probability Cheat Sheet
18  11/out Teoria das probabilidades (IA-10) paper
19  18/out Redes bayesianas – representação (AI-11)
20 22/out Redes bayesianas – inferência (AI-12)
21 25/out Redes bayesianas – exercícios
22  05/nov Redes bayesianas – tutorial pgmpy
23  08/nov Aprendizado de máquina: conceitos básicos (IA-13); árvores de decisão (IA-14)
24 12/nov Aprendizado de máquina: tutorial scikit-learn exemplo – kNN
exemplo – Bernoulli NaiveBayes
25  19/nov Aprendizado de máquina: naive bayes (IA-15); kNN  (IA-16)
26  22/nov Aprendizado de máquina: regressão linear (IA-17), regressão logística (IA-18)

Gradient Descent em Python

Linear Regression using Gradient Descent

Exemplo: GridSearchCV

 exemplo – regressão logística

exemplo – regressão linear
27 26/nov  —
28 29/nov 2a avaliação semestral (P2)
29  06/dez 2a chamada Wumpus World
30  13/dez Exame final Avaliação do curso: formulário

Listas de Exercícios

Trabalhos práticos

Para implementar os trabalhos, você irá precisar dominar os fundamentos da linguagem Python. Para isso, recomendo o livro Automate the Boring Stuff with Python.

  • T1 – Busca em Espaço de Estados. Entrega: 08/set.
  • T2 – Busca em Jogos. Entrega: a 22/set.
  • T3 – Aprendizado por Reforço. Entrega: 10/out.
  • T4 – Redes Bayesianas. Entrega: 17/nov.
  • T5 – Aprendizado de Máquina (spambase.arff). Entrega: 07/dez.

Recursos recomendados

Livros de interesse geral sobre Inteligência Artificial

Back to top