Currículo
Agentes Autónomos (Dtda) 04088
Contextos
Groupo: Tecnologias Digitais e Inteligência Artificial - 2023 > 1º Ciclo > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
No final da UC, os alunos serão capazes de: (OA1) Compreender, definir e descrever o que são agentes autónomos e como se diferenciam do software tradicional. (OA2) Compreender as diferentes arquiteturas de agentes e as suas aplicações. (OA3) Descrever como os agentes percecionam e representam o seu ambiente, raciocinam sob incerteza e como representam o conhecimento. (OA4) Explicar conceitos-chave como estados, ações, recompensas e políticas em contextos de tomada de decisão. (OA5) Aplicar algoritmos de procura para resolver problemas num contexto de agente. (OA6) Implementar algoritmos de planeamento para agentes em ambientes complexos. (OA7) Aplicar técnicas básicas de aprendizagem por reforço (como o Q-learning) a problemas simples. (OA8) Avaliar o desempenho e o comportamento dos agentes. (OA9) Compreender e descrever o que são sistemas multiagente. (OA10) Discutir considerações éticas, de segurança e sociais relacionadas com agentes autónomos.
Programa
(CP1) O que são agentes e ambientes? Arquiteturas de agentes (reativa, deliberativa, híbrida). (CP2) Perceções/Sensores, tipos de ambientes (totalmente / parcialmente observáveis, determinísticos /estocásticos). (CP3) Procura (BFS, DFS, UCS) agentes baseados em objetivos, procura informada, funções heurísticas e admissibilidade, problemas de satisfação de restrições. (CP4) Estados, ações, transições, recompensas, políticas; introdução aos MDPs, problemas clássicos de planeamento, de ordem parcial e hierárquico e em ambientes dinâmicos. (CP5) Aprendizagem por Reforço (AR): Algoritmos de AR básicos, iteração de valor, Q-learning, exploração de ações. (CP6) Sistemas multiagente: cooperação e competição, negociação e coordenação, auto-organização, emergência e comunicação. (CP7) Modelação e simulação baseada em agentes (ABMS) e sistemas complexos adaptativos. (CP8) Questões éticas e sociais na construção de agentes.
Método de Avaliação
A avaliação na modalidade 'ao longo do semestre' resulta da efetivação de um teste intercalar individual em Moodle(20% da nota final), um trabalho em grupo (máximo de 3 alunos) com elaboração de um relatório (20% da nota final) e uma apresentação oral (20% da nota final) a efetuar pelo grupo e a efetivação de 4 trabalhos para casa (10% da nota final cada um) É exigida uma assiduidade mínima não inferior a 2/3 das aulas (os alunos podem faltar 4 aulas em 12). O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na 1ª época 2ª época ou época especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 10 (em 20).
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 113.0
Carga Total -
Bibliografia
Principal
- Russell & Norvig, Artificial Intelligence: A Modern Approach, 4th Edition Global, Pearson (2022) Sutton & Barto, Reinforcement Learning: An Introduction, 2nd Edition Bradford Books, (2018):
Secundária
- Vlassis, N. A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence. In Synthesis Lectures on Artificial Intelligence and Machine Learning (Vol.1, Issue 1), 2007. Wooldridge, M. An Introduction to MultiAgent Systems - 2nd Edition. In ACM SIGACT News (Vol. 41, Issue 1), 2009.: