-
Apresentação
Apresentação
Esta cadeira é uma introdução aos conceitos e técnicas básicas da Inteligência Artificial, com três áreas principais de atuação. Primeiro, a formalização do que é uma máquina, tanto na óptica de manipulação de símbolos da máquina de Turing, como nas máquinas de McCulloch and Pitts que funcionam com padrões de interligação entre nós em redes de neurónios. Segundo, o conceito de agente racional em IA, que emerge da interseção com as ciências cognitivas, e as diversas implementações de algoritmos de busca exaustiva estruturada (informados e não informados). Ainda dentro desta área de foco são ainda introduzidos os conceito de busca estocástica e algoritmos para satisfação de restrições (CSPs). Finalmente, na terceira área de foco, os estudantes aprendem noções e usos de alguns dos algoritmos de inteligência artificial avançados que são utilizados hoje em dia.
-
Disciplina do curso
Disciplina do curso
-
Grau | Semestres | ECTS
Grau | Semestres | ECTS
Licenciado | Semestral | 5
-
Ano | Natureza | Lingua
Ano | Natureza | Lingua
3 | Obrigatório | Português
-
Código
Código
ULHT12-2129
-
Pré-requisitos e co-requisitos
Pré-requisitos e co-requisitos
Não aplicável
-
Estágio Profissional
Estágio Profissional
Não
-
Conteúdos Programáticos
Conteúdos Programáticos
Conceitos Básicos Definições de IA Máquina de Turing Redes neuronais de McCulloch e Pitts Cómo analisar máquinas? diagramas de transição de estados Busca O conceito de agente de busca em IA Espaços e Grafos de busca Busca não informada: British Museum, DFS, BFS Busca Informada: Dijkstra e A* Busca adversária Problemas de satisfação de restrições Nocões básicas de processamento de linguagem natural e sistemas de recomendação O futuro de IA Analise critica de artigos recentes em IA
-
Objetivos
Objetivos
Os objectivos de aprendizagem desta cadeira incluem (1) Entendimento profundo dos aspectos conceituais que dão origem à IA, nomeadamente a formalização do conceito de computação universal via manipulação de símbolos, e a computação baseada em redes de neurónios; (2) os métodos e representações usados para estudar o funcionamento de qualquer máquina; (3) Desenho e implementação de agentes racionais e o conceito de "processamento de informação"; (4) Algoritmos clássicos de busca não informada: British Museum, DFS e BFS; (5) Busca informada: Dijkstra e A*; (6) Formalização e resolução de problemas de satisfação de restrições (CSP); (7) conhecimentos básicos de técnicas avançadas de inteligência artificial nos domínios de machine learning e data science; e (8) Conhecimentos sobre os usos da inteligência artificial na sociedade incluindo aspectos relacionados com ética e o futuro de IA.
-
Metodologias de ensino e avaliação
Metodologias de ensino e avaliação
Utilizam-se métodos de ensino inovadores para potenciar a aprendizagem. Recorre-se à sala de aula invertida, onde os alunos trabalham previamente os conceitos, permitindo dedicar as aulas a exercícios práticos, discussões e projetos. As sessões de programação interativas via Jupyter Notebooks permitem experimentar com Python num ambiente de feedback constante. A aprendizagem baseada em projetos é essencial, com os alunos a realizar diversos projetos que promovem competências teorico-práticas e pensamento crítico. Através da incorporação destes métodos, o objetivo é dotar os alunos com as competências técnicas e a mentalidade analítica necessárias para atingir um conhecimento amplo e atual dos fundamentos e estado da arte na inteligência artificial.
-
Bibliografia principal
Bibliografia principal
Russell, S., & Norvig, P. (2020). Artificial intelligence: a modern approach. 4th edition. http://aima.cs.berkeley.edu
-
Horário de Atendimento
Horário de Atendimento
-
Mobilidade
Mobilidade
Não
