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
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 (notas) |
| 03/mar | Formulação de problemas de busca (notas) |
| 06/mar | Busca simples – busca cega (blind search): BFS/DFS, custo uniforme (UCS) e critérios de parada |
| 10/mar | Busca com heurísticas (heuristic search): heurísticas e A* (introdução) (slides) |
| 13/mar | Otimalidade do A* (slides) — admissibilidade e consistência |
| 17/mar | Busca adversarial — introdução (slides) Busca adversarial — minimax (slides, demo) |
| 20/mar | Busca adversarial — Poda alfa-beta — exemplo (slides, demo) |
| 24/mar | Agentes adversariais — funções de avaliação (slides, demo) |
| 27/mar | Agentes adversariais — MCTS (slides, demo) Agentes adversariais — MCTS demo (slides) |
| 31/mar | Gradiente Descendente (otimização) (notebook) |
| 03/abr | (feriado nacional) Paixão de Cristo — sem aula |
| 07/abr | Aprendizado por reforço — introdução (slides) |
| 10/abr | Aprendizado por reforço — Q-learning tabular (slides) |
| 14/abr | Aprendizado por reforço — Q-learning com aproximação linear (slides) |
| 17/abr | Teste 1 (fim do 1º bimestre) |
| 21/abr | (feriado nacional) Tiradentes — sem aula |
| 24/abr | Aprendizado por reforço — Tutorial Gymnasium (notebook, repo) Aprendizado por reforço — técnicas de exploração (slides) |
| 28/abr | Aprendizado de máquina — visão geral (slides) Aprendizado de Máquina — Regressão Linear (slides, notebook) |
| 01/mai | (feriado nacional) Dia do Trabalho — sem aula |
| 05/mai | Algoritmos de classificação (notebook) |
| 08/mai | Algoritmos de classificação — continuação (métricas e trade-offs) (notebook) |
| 12/mai | Seleção de modelos (slides, slides, notebook) |
| 15/mai | Algoritmos de regressão (notebook) |
| 19/mai | Aprendizado de máquina — conjuntos desbalanceados (notebook) |
| 22/mai | Aprendizado de máquina: data maps (notebook) |
| 26/mai | Aprendizado de máquina — codificação de atributos categóricos (notebook) |
| 29/mai | Avaliação e validação de modelos: overfitting, validação cruzada, métricas e boas práticas (ponte para seleção/diagnóstico) |
| 02/jun | Interpretabilidade e explicabilidade (visão geral): importância de atributos, diagnóstico de erros e noções de SHAP |
| 05/jun | Representações e linguagem: embeddings e Transformers (motivação e visão geral) — preparando o terreno para agentes generativos |
| 09/jun | Agentes baseados em IA Generativa — parte I (minicurso) |
| 12/jun | Agentes baseados em IA Generativa — parte II (minicurso) |
| 16/jun | Agentes baseados em IA Generativa — parte III: ferramentas, function calling e RAG (retrieval-augmented generation) |
| 19/jun | Agentes baseados em IA Generativa — parte IV: arquiteturas (ReAct, Plan-and-Act, Reflexion) e planejamento iterativo |
| 23/jun | Agentes baseados em IA Generativa — parte V: memória (curto/longo prazo), vetores/embeddings e organização de conhecimento |
| 26/jun | Teste 2 (fim do 2º bimestre) |
| 30/jun | Agentes baseados em IA Generativa — 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:
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.
- Automate the Boring Stuff with Python
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.