GCC1734 – Inteligência Artificial (2018.2)

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	03/ago	Logística do curso, plano de aulas (IA-00). Motivação, visão geral e exemplos de aplicações da IA (IA-01)
2	06/ago	Agentes e problemas de busca (IA-02a)
3	13/ago	Busca sem Informação (Blind Search) – BFS, DFS, UCS, DLS, IDS (IA-02b)
4	17/ago	Busca com informação (Heuristic search) – greedy search e A* (IA-03)
5	24/ago	Busca competitiva (Jogos Determinísticos): algoritmo Minimax, funções de avaliação (IA-04)
6	27/ago	Busca competitiva (Jogos Estocásticos): expectimax (IA-05)
7	31/ago	search.py (DFS)
8	03/set	Outras estratégias de busca (IA-06)
9	10/set	Processos de Decisão de Markov – parte I (IA-07)
10	14/set	Processos de Decisão de Markov – parte II (IA-08)
11	17/set	1^a avaliação semestral (P1)
11	21/set	Processos de Decisão de Markov – parte III (IA-08)
12	24/set	Aprendizado por Reforço – abordagens baseadas em modelo; q-learning básico (IA-09)
13	28/set	Aprendizado por Reforço – epsilon-greedy; funções de exploração (IA-10)
14	01/out	Aprendizado por Reforço – q-learning aproximado (IA-10)
15	05/out	Aprendizado por Reforço – tutorial: OpenAI Gym
16	08/out	Teoria das Probabilidades (IA-11)	Probability Cheat Sheet
17	26/out	Redes Bayesianas – representação (AI-12)	paper
18	29/out	Redes Bayesianas – inferência (AI-13)
19	09/nov	Redes Bayesianas – exercícios
20	12/nov	Aprendizado de máquina – conceitos básicos (IA-14)
21	16/nov	Aprendizado de máquina – regressão linear (IA-15)
22	23/nov	2^a avaliação semestral (P2)
23	26/nov	Aprendizado de máquina – regressão logística (IA-16); kNN (IA-17)	exemplos
24	30/nov	Reservada para dúvidas sobre o T5
25	07/dez	Avaliação Final

Listas de Exercícios

Trabalhos práticos

T1 – Busca no Pacman: enunciado; código base. Entrega: 13/set
T2 – Pacman Multi-agente: enunciado e código base. Entrega: ~~07/out~~ 12/out.
T3 – Aprendizado por Reforço: enunciado. Entrega: 06/nov.
T4 – Redes Bayesianas: enunciado. Entrega: 20/nov.
T5 – Aprendizado de Máquina: enunciado. spambase.arff. Entrega: 04/dez, ao meio-dia.

Recursos recomendados

Andrew Ng: What Artificial Intelligence Can and Can’t Do Right Now
John McCarthy: What is Artificial Intelligence?
Vídeo: Particle Filters
Vídeo: Blind Search Algorithms
Vídeo: Step-by-step Example: Alpha-Beta Pruning
Vídeo: Minimax Algorithm
Vídeo: The 8 Queen Problem – Numberphile
Artificial Intelligence: Foundations of Computational Agents
Humans vs Robots?
Você pode pesquisar livros relevantes no acervo da Biblioteca do CEFET/RJ.

Livros de interesse geral sobre Inteligência Artificial

Nick Bostrom, Superintelligence: Paths, Dangers, Strategies, 2014.
Pedro Domingos, The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, 2015.
Jeff Hawkins, On Intelligence: How a New Understanding of the Brain Will Lead to the Creation of Truly Intelligent Machines, 2004.