Eduardo Bezerra

GCC1734 – Inteligência Artificial (2025.1)

causation

Locais e horários das aulas

  • 3⁠ᵃˢ-feiras, das 16h30 às 18h10, P1-204 (sala 2)
  • 6⁠ᵃˢ-feiras, das 14h35 às 16h15, P1-102 (lab 2)

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 adversarial. Aprendizado por Reforço. Agentes baseados em Lógica. Aprendizado de Máquina.

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. Veja também o plano do curso.

Aula Data Assunto Material complementar
1 18/mar Apresentação do curso (slides)
Visão geral da IA (slides)		  
2 21/mar Agentes e problemas de busca (slides)  
3 25/mar Busca sem informação (blind search) (slides)  
4 28/mar Busca sem informação (blind search) (slides) Vídeo: A* Pathfinding
5 01/abr Busca com heurísticas (heuristic search): A* (slides)  
6 04/abr Otimalidade do A* (slides) – admissibilidade  
7 08/abr Otimalidade do A* (slides) – consistência  
8 11/abr Busca adversarial – introdução (slides)
Busca adversarial – minimax (slides, demo)		 Vídeo: alpha-beta pruning
9 15/abr Busca adversarial – Poda alfa-beta – exemplo (slides, demo)  
10 25/abr Busca adversarial – funções de avaliação (slides, demo)  
11 29/abr Busca adversarial – MCTS (slides, demo)  
12 02/mai Busca adversarial – MCTS demo (slides)  
13     Pavlov Experiment
14   Aprendizado por reforço – introdução (slides)  
15   Aprendizado por reforço – Q-learning tabular (slides)  
16   Aprendizado por reforço – Tutorial Gymnasium (notebook, repo)  
17   Aprendizado por reforço – Q-learning com aproximação linear (slides)
Aprendizado por reforço – técnicas de exploração (slides)		  
18   Aula sem conteúdo novo (reservada para discussão de dúvidas)  
19   Aprendizado de máquina – visão geral (slides)  
20   Aprendizado de Máquina – Regressão Linear (slides, notebook)
Aprendizado de Máquina – Gradiente Descendente (notebook)		  
21   Aprendizado de Máquina – Regressão Logística (slides, notebook, notebook)  
22   Aula sem conteúdo novo (reservada para discussão de dúvidas)  
23   Aprendizado de Máquina – kNN (slides, notebook)
Aprendizado de Máquina – Árvores de Decisão (slides, notebook)
Aprendizado de máquina – exemplo de pipeline, parte 1 (notebook)		  
24   Aprendizado de máquina – conjuntos desbalanceados (notebook)  
25   Aprendizado de máquina – codificação de atributos categóricos (notebook)  
26   Aprendizado de máquina: otimização de hiperparâmetros (notebook)
Aprendizado de máquina: normalização de atributos contínuos (notebook)		  
27   IA Generativa – parte I  
28   IA Generativa – parte II  
29   Exame Final  

Listas de exercícios

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