Eduardo Bezerra

GCC1734 – Inteligência Artificial (2025.2)

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 Generativos. 

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 22/ago Apresentação do curso (slides)
Visão geral da IA (slides)		  
2 26/ago Agentes e problemas de busca (slides)  
3 29/ago Busca sem informação (blind search) (slides)  
4 02/set (sem aula) Painel Telebrasil Vídeo: A* Pathfinding
5 05/set Busca sem informação (blind search) (slides)
Busca com heurísticas (heuristic search): A* (slides)		  
6 09/set Otimalidade do A* (slides) – admissibilidade e consistência  
7 12/set Busca adversarial – introdução (slides)
Busca adversarial – minimax (slides, demo)		  
8 16/set Busca adversarial – Poda alfa-beta – exemplo (slides, demo) Vídeo: alpha-beta pruning
9 19/set Agentes adversariais – funções de avaliação (slides, demo)  
10 23/set Agentes adversariais – MCTS (slides, demo)
Agentes adversariais – MCTS demo (slides)		  
11 26/set Reservada para discussão de dúvidas  
12 30/set (sem aula) SBBD/BRACIS  
13 03/out Aprendizado por reforço – introdução (slides) Pavlov Experiment
14 07/out Aprendizado por reforço – Q-learning tabular (slides)  
15 10/out Aprendizado por reforço – Q-learning com aproximação linear (slides)  
16 14/out    
17 21/out Aprendizado por reforço – Tutorial Gymnasium (notebook, repo)
Aprendizado por reforço – técnicas de exploração (slides)		  
18 24/out Aprendizado de máquina – visão geral (slides)  
19 28/out Aprendizado de Máquina – Regressão Linear (slides, notebook)  
20 31/out Aprendizado de Máquina – Gradiente Descendente (notebook)  
21 04/nov Algoritmos de classificação (notebook)  
22 11/nov Algoritmos de classificação (notebook)  
23 14/nov Seleção de modelos (slides, slides, notebook)  
24 18/nov Algoritmos de regressão (notebook)  
25 21/nov Aprendizado de máquina – conjuntos desbalanceados (notebook)  
26 28/nov Aprendizado de máquina: data maps (notebook)  
27 02/dez Aprendizado de máquina – codificação de atributos categóricos (notebook)  
28 05/dez Agentes Generativos – parte I: conceito introdutórios do LangChain (notebook,)
Agentes Generativos – parte I: Few-shot learning (notebook)
Agentes Generativos – parte I: Cadeias (notebook)		  
28 09/dez Agentes Generativos – parte II: chainlit (script)
Agentes Generativos – parte II: BLIP (script)		  
28 12/dez    
28 16/dez    
28 19/dez    
29 06/jan 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