Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Inteligência Artificial

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Os alunos deverão saber usar um sistema computacional com um dos sistemas operativos mais comuns (Windows, Linux, ou Mac OS). Além disso, devem compreender perfeitamente conceitos fundamentais de computação. Os alunos devem saber programar. Não se pressupõe qualquer tipo de formação prévia na área da IA

Objetivos Gerais / Objectives

Proporcionar a aquisição da capacidade de (OG1) identificar necessidades que possam ser satisfeitas através da utilização de sistemas e modelos baseados em tecnologias de IA, e (OG2) proporcionar a aprendizagem de abordagens de IA fundamentais para a conceção de sistemas e modelos, em particular a procura de soluções, a representação de conhecimento e o raciocínio (em contextos sem e com incerteza), a adaptação, e a aprendizagem automática.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

Após a conclusão da UC, os alunos devem (OA1) Ter consciência das vantagens e desafios da utilização de abordagens de IA para o desenvolvimento de sistemas e modelos, em particular métodos de procura, de representação e raciocínio, de adaptação e de aprendizagem automática; (OA2) Saber identificar os requisitos dos sistemas e/ou dos modelos a criar; (OA3) Escolher as abordagens tecnológicas mais adequadas aos requisitos de AO2: métodos de procura, de representação e raciocínio, de adaptação e de aprendizagem automática. (OA4) Compreender e saber usar as abordagens apresentadas na UC para o desenvolvimento de sistemas e na modelação da realidade.

Conteúdos Programáticos / Syllabus

(CP1) Noções fundamentais de IA com destaque para a abordagem baseada em procura (CP2) Algoritmos de procura: profundidade primeiro e largura primeiro, A* (CP3) Noções básicas de aprendizagem automática: supervisionada, por reforço, e não supervisionada (CP4) Algoritmos genéticos (CP5) Redes neuronais feedforward multicamada com backpropagation (CP6) Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em conhecimento (CP7) Lógica de predicados de primeira ordem: representação e dedução (CP8) Conhecimento declarativo representado em Programação em Lógica (CP9) Sistemas de Regras baseadas na Fuzzy Logic

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

O conteúdo programático (CP1-CP9) está bem alinhado com os objectivos de aprendizagem (OA1-OA4) para este curso: OA1: Consciência das vantagens e desafios da IA - O CP1 abrange noções fundamentais de IA - CP2-CP5 aprofundam técnicas específicas de IA, como algoritmos de pesquisa, aprendizagem automática e algoritmos genéticos - CP6-CP9 exploram a representação do conhecimento e abordagens de raciocínio OA2: Identificar os requisitos do sistema e do modelo - CP2, CP3 e CP6: A cobertura dos algoritmos de procura, da aprendizagem automática e da representação do conhecimento permite aos alunos identificar os requisitos OA3: Escolher abordagens apropriadas - A cobertura abrangente das técnicas de IA permite aos alunos avaliar e selecionar abordagens adequadas OA4: Dominar e aplicar as abordagens apresentadas - A cobertura detalhada das técnicas de IA fornece aos estudantes os conhecimentos e as competências necessárias para as dominar e aplicar eficazmente

Avaliação / Assessment

Avaliação ao longo do semestre: - 2 Testes Intercalares (Nota Mínima em cada teste 8.5) [35% cada] - 2 projectos (Nota Mínima em cada projecto 9.5) [15% cada] As discussões orais finais dos projectos realizam-se em grupo após a entrega final, na(s) data(s) indicada(s) no seu enunciado. Um dos projectos será entregue terá entrega a meio do semestre e o outro na última semana de aulas. Apesar dos projectos serem desenvolvidos em grupo, a nota a atribuir a cada estudante do grupo é individualizada em função da contribuição do estudante para cada um dos projectos e da sua prestação na discussão oral. Avaliação por exames: [100%] - Primeira época - Segundo época - Época Especial Os testes e os exames podem ter grupos de perguntas com nota mínima Para ter acesso aos testes e exame, é necessário concluir todas as atividades da matéria lecionada até ao momento no Moodle. Pode ser exigido aos alunos que se inscrevam em provas de avaliação.

Metodologias de Ensino / Teaching methodologies

O principal modelo de ensino/aprendizagem será a combinação das aulas expositivas de conceitos teóricos e exemplos práticos, de aulas práticas / laboratoriais e de trabalho autónomo. As necessidades de ensino/aprendizagem devem ser motivados pela apresentação de problemas e das limitações de outras abordagens comuns. O ensino dos tópicos mais técnicos da matéria decorrerá da análise de requisitos dos problemas a resolver e da análise dos principais vantagens e desafios a eles associados.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

A metodologia de ensino proposta, que combina aulas expositivas, sessões práticas/laboratoriais e aprendizagem autónoma, é adequada para apoiar a obtenção dos objectivos de aprendizagem especificados (OA1-OL4) para este curso centrado na IA. OA1: As aulas expositivas fornecerão a base teórica necessária e a exemplificação dos conceitos fundamentais de IA, permitindo aos alunos desenvolver uma compreensão abrangente das vantagens e desafios da utilização e desenvolvimento de sistemas e modelos baseados em IA. A análise crítica de abordagens alternativas, tal como mencionado na metodologia, aumentará ainda mais a consciencialização dos alunos para os compromissos e limitações associados às diferentes técnicas de IA. OA2: A apresentação de novos problemas durante o curso motivará os alunos a identificar os requisitos específicos para sistemas e modelos baseados em IA, com base nos conhecimentos adquiridos nas aulas expositivas. As sessões práticas/laboratoriais e a aprendizagem autónoma permitirão aos alunos aplicar o seu conhecimento das técnicas de IA a cenários reais, desenvolvendo ainda mais a sua capacidade de identificar requisitos de sistemas e modelos. OA3: A metodologia de ensino enfatiza a análise dos requisitos, vantagens e desafios associados a cada abordagem de IA antes de se aprofundar nos tópicos mais técnicos. Esta abordagem permitirá aos alunos tomar decisões informadas sobre as técnicas e algoritmos de IA mais adequadas para responder aos requisitos identificados, alinhando-se com o objetivo de aprendizagem de escolher abordagens apropriadas. OA4: As sessões práticas/laboratoriais e as componentes de aprendizagem autónoma da metodologia de ensino proporcionam aos alunos uma experiência prática na implementação e experimentação dos algoritmos de IA abordadas na UC. Esta abordagem de aprendizagem experimental permitirá aos alunos desenvolver uma compreensão e domínio mais profundos das abordagens apresentadas, bem como a capacidade de as aplicar eficazmente no desenvolvimento de sistemas e na modelação do mundo. Os métodos de avaliação incluem: - 2 testes escritos para avaliar a compreensão teórica dos conceitos e algoritmos de IA (LO1, LO2, LO3) - 2 trabalhos baseados em projecto que requerem a identificação de requisitos e a seleção de abordagens de IA apropriadas (OA2, OA3). Ao alinhar as metodologias de ensino e avaliação com os objectivos de aprendizagem especificados, a unidade curricular pode apoiar eficazmente o desenvolvimento dos conhecimentos, aptidões e competências dos alunos no domínio dos sistemas e modelos baseados em IA.

Observações / Observations

Bibliografia Principal / Main Bibliography

A cadeira assenta fundamentalmente nos apontamentos para as aulas sobre Sistemas Baseados em Conhecimento, e nos livros [Russell e Norvig 2003] sobre Inteligência Artificial, [Clocksin e Mellish 1994] sobre Prolog, e [Graham 1996] sobre LISP. Clocksin, W.F. e Mellish, C.S. 2003. Programming in Prolog Using the ISO Standard(Quinta Edição). Springer Verlag (existe na biblioteca, embora seja a quarta edição). Russell, S.; e Norvig, P. 2003. Artificial Intelligence: a Modern Approach, Prentice Hall. Capítulos 3 a 9. (existente na biblioteca). Graham, P. 1996. ANSI Common Lisp. PrenticeHall.

Bibliografia Secundária / Secondary Bibliography

Linguagem de Programação Prolog Bratko, I. 1990. Prolog Programming for Artificial Intelligence. Addison Wesley Publishing Company (existente na biblioteca). Lógica de Predicados e Forma Clausal Michael R. Genesereth, Nils J. Nislsson. 1987. ?Logical Foundations of Artificial Intelligence?. Morgan Kaufman Publishers (Capítulos 2, 3 e 4) Sistemas Baseados em Conhecimento (Perspectiva teórica) - Ronald Brachman, Hector Levesque. 2004. "Knowledge Representation and Reasoning". Morgan Kaufmann - Mark Stefik. 1995. Introduction to Knowledge Systems?. Morgan Kaufmann

Data da última atualização / Last Update Date

2024-07-23