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
2023/2024
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
(P1) Noções fundamentais de IA com destaque para a abordagem baseada em procura (P2) Algoritmos de procura: profundidade primeiro e largura primeiro, A* (P3) Noções básicas de aprendizagem automática: supervisionada, por reforço, e não supervisionada (P4) Algoritmos genéticos (P5) Redes neuronais feedforward multicamada com backpropagation (P6) Noções fundamentais relativas a conhecimento, representação, e arquitetura de sistemas baseados em conhecimento (P7) Lógica de predicados de primeira ordem: representação e dedução (P8) Conhecimento declarativo representado em Programação em Lógica (P9) 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
OG1 / (OA1; OA2; OA3) <== P1 + P3 + P7 OG2 / OA4 <== P2 + P4 + P5 + P6 + P8 + P9
Avaliação / Assessment
Avaliação periódica: - 2 Testes Intercalares (Nota Mínima em cada teste 8.5) [30% primeiro, 40% segundo] - 1 projecto [20%] - 8 exercícios em aula (contam os 6 melhores). [10%] Avaliação por exames - Primeiro Exame [100%] - Segundo Exame. [100%] - Exame Época Especial [100%] 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
Os principais objetivos de aprendizagem são (OA1) Ter consciência das vantagens e desafios da utilização de abordagens de IA (OA2) Saber identificar os requisitos dos sistemas e/ou dos modelos a criar; (OA3) Escolher as abordagens tecnológicas mais adequadas aos requisitos (OA4) Compreender e saber usar as abordagens apresentadas na UC. Preceder a apresentação /aprendizagem de um novo assunto pela análise crítica de problemas e das limitações de abordagens alternativas potencia o espírito crítico necessário para satisfazer os objetivos OA1 e OA3. Preceder a apresentação / aprendizagem da análise dos requisitos associados aos problemas a resolver contribui para satisfazer os objetivos OA2. A combinação de aulas teórico práticas e práticas laboratoriais e de trabalho autónomo potencia a satisfação do objetivo OA4.
Observações / Observations
Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário.
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
2024-02-16