Eduardo Bezerra

GCC1734 – Inteligência Artificial (2024.2)

causation

Locais e horários das aulas

  • 3as-feiras, das 16h30 às 18h10, Sala 2 (Pavilhão I)
  • 6as-feiras, das 14h35 às 16h15, Lab 2 (Pavilhão I)

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. 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 04/out Apresentação do curso (slides)
Visão geral da IA (slides)		  
2 08/out Agentes e problemas de busca (slides)  
3 11/out Busca sem informação (blind search) (slides)  
4 15/out Busca sem informação (blind search) (slides) Vídeo: A* Pathfinding
5 22/out Busca sem informação (blind search) (slides)  
6 25/out Busca com heurísticas (heuristic search): A* (slides)  
7 01/nov Propriedades do A* (slides)  
8 05/nov Busca competitiva – introdução (slides), minimax (slides) Vídeo: alpha-beta pruning
9 08/nov Busca competitiva – Poda alfa-beta – exemplo (slides)  
10 12/nov Busca competitiva – funções de avaliação (slides)  
11 15/nov Busca competitiva – expectminmax (slides)  
12 22/nov Busca competitiva – MCTS (slides)  
13 03/dez Busca competitiva – MCTS demo (slides) Pavlov Experiment
14 06/dez Aprendizado por reforço – introdução (slides)  
15 10/dez Aprendizado por reforço – Q-learning tabular (slides)  
16 17/dez Aprendizado por reforço – Tutorial Gymnasium (notebook, repo)  
17 20/dez Aprendizado por reforço – Q-learning com aproximação linear (slides)
Aprendizado por reforço – técnicas de exploração (slides)		  
18 27/dez Reservada para discussão de dúvidas  
19 07/jan Aprendizado de máquina – visão geral (slides)  
20 10/jan Aprendizado de Máquina – Regressão Linear (slides, notebook)
Aprendizado de Máquina – Gradiente Descendente (notebook)		  
21 14/jan Aprendizado de Máquina – Regressão Logística (slides, notebook)  
22 17/jan Aprendizado de Máquina – kNN (slides, notebook)
Aprendizado de Máquina – Árvores de Decisão (slides, notebook)		  
23 21/jan Aprendizado de máquina – demo, parte 1 (notebook)  
24 24/jan Aprendizado de máquina – demo, parte 2 (notebook)  
25 28/jan Aprendizado de máquina – Dados desbalanceados (notebook)  
26 31/jan Aprendizado de máquina: SHAP Values (slides, notebook)  
27 04/fev IA Generativa – parte I  
28 07/fev IA Generativa – parte II  
29 18/fev 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