Eduardo Bezerra

GCC1734 – Inteligência Artificial (2026.1)

causation

Locais e horários das aulas

  • 3⁠ᵃˢ-feiras, das 16h30 às 18h10, P1-204 (sala 2)
  • 6⁠ᵃˢ-feiras, das 14h35 às 16h15, P1-103 (Sala 3)

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. Agentes Adversariais. Aprendizado por Reforço. Aprendizado de Máquina. Agentes baseados em IA generativa. 

Veja também o plano de ensino da disciplina.

Livro-texto

AIMA book
Russell & Norvig, Artificial Intelligence: A Modern Approach, 4th ed.

Conteúdo

Veja o calendário acadêmico das graduações.

Data Assunto
24/fev Apresentação do curso (notas)
Visão geral da IA (slides)
27/fev Agentes, espaço de estados e problemas de busca
03/mar Busca sem informação — Formulação de problemas de busca
06/mar Busca sem informação — BFS, UCS, DFS
10/mar Busca sem informação— Prática em laboratório I
13/mar Busca com informação — heurísticas e A*
17/mar Busca com informação — otimalidade do A*
20/mar Discussão sobre o T1
Busca com informação — Solução de exercícios
24/mar Busca adversarial — Introdução
Busca adversarial — Minimax (demo)
27/mar Busca adversarial — Poda alfa-beta
31/mar Busca adversarial — Funções de avaliação
03/abr (feriado nacional) Paixão de Cristo — sem aula
07/abr Busca adversarial — Busca quiescente
Busca adversarial — Prática em laboratório II (MiniMax)
10/abr Busca adversarial — MCTS (demo)
14/abr Busca adversarial — Prática em laboratório III (MCTS)
17/abr Aula suspensa – falta de energia
21/abr (feriado nacional) Tiradentes — sem aula
24/abr Discussão sobre o T2
Aprendizado por reforço — Introdução (notas de aula)
28/abr Teste 1 (30 minutos)
Aprendizado por reforço — Aprendizado TD
01/mai (feriado nacional) Dia do Trabalho — sem aula
05/mai Aprendizado por reforço — Q-learning (tabular) e SARSA
08/mai Aprendizado por reforço — Técnicas de exploração
12/mai Aprendizado por reforço — Prática em laboratório IV
15/mai Aprendizado por reforço — Q-learning com aproximação linear (slides)
Aprendizado por reforço — Tutorial Gymnasium
19/mai Aprendizado de máquina — Motivação, taxonomia e o framework de aprendizado supervisionado
Aprendizado de máquina — Modelos lineares e gradiente descendente
22/mai Aprendizado de máquina — generalização, viés-variância, regularização
26/mai Aprendizado de máquina — Seleção e avaliação de modelos 
29/mai Aprendizado de máquina — Árvores de decisão e métodos ensemble
Aprendizado de máquina — Redes neurais e aprendizado não supervisionado
02/jun Aprendizado de máquina — Representações por Embeddings
  Aprendizado de máquina — Transformers
09/jun Agentes baseados em LLMs — parte I (minicurso)
12/jun Agentes baseados em LLMs — parte II (minicurso)
16/jun Agentes baseados em LLMs — parte III: ferramentas, function calling e RAG
19/jun Agentes baseados em LLMs — parte IV: arquiteturas (ReAct, CoT) e planejamento iterativo
23/jun Agentes baseados em LLMs — parte V: memória, vetores/embeddings e organização de conhecimento
26/jun Teste 2 (30 minutos)
30/jun Agentes baseados em LLMs — parte VI: avaliação e confiabilidade (alucinação, verificação, guardrails e observabilidade)
Laboratório integrador: agente com ferramentas + RAG + memória (estudo de caso) + revisão para o exame final
03/jul Exame Final

 

Trabalhos práticos

Detalhes e especificação dos trabalhos práticos são fornecidos pela plataforma MS Teams.

Para implementar os trabalhos, você irá precisar dominar os fundamentos da linguagem Python. Para isso, recomendo dois livros, ambos gratuitamente disponíveis:

  1. Automate the Boring Stuff with Python
  2. Introdução à Programação com Python

Recursos recomendados

Livros de interesse geral sobre Inteligência Artificial

Back to top