Inteligência Artificial
Aulas Teóricas
As aulas teóricas são dadas pelo Prof. João Leite de acordo com o horário publicado aqui.
| Aula | Data | Matéria Prevista |
| 1 | 9/9 | Apresentação. Objectivos, programa, funcionamento e avaliação da disciplina. Breve discussão sobre osobjectos de estudo, história e contornos da Inteligência Artificial como disciplina científica. |
| 2 | 15/9 | Inteligência artificial como construção de agentes racionais. Propriedades dos agentes, tarefas e ambientes. Medidas de desempenho de agentes e agente racional ideal. Arquitecturas de agentes: agentesreactivos puros; agente reactivo com memória; agente deliberativo com objectivo; agente deliberativo com função de utilidade; agentes aprendizes. |
| 3 | 16/9 | Agentes de procura: problemas, estados, operadores e soluções. Espaços de estados. Procura em Árvores. Estratégias de procura cega: largura primeiro, custo uniforme, profundidade primeiro, profundidade limitada, aprofundamento progressivo e bidireccional.Análise das propriedades dos algoritmos. Procura em Grafos. |
| 4 | 17/9 (aula extra - sala VII-1B) | Noção de heurística. Estratégias de procura informada (heurística): procura pelo melhor primeiro, procura sôfrega e procura A*. Estudo das propriedades do algoritmo A* e das heurísticas: admissibilidade, dominância, monotonia e consistência. Procura com memória limitada: IDA* e RBFS. Ilustração com exemplos. |
| 5 | 22/9 | Procura local. Problemas de optimização. Trepa colinas e procura tabu. Procura aleatória e recristalização simulada. Procura local em feixe. |
| 6 | 23/9 | Procura adversarial. Tipos de jogos. Estratégias óptimas. Algoritmo minimax e cortes alfa-beta. Funções de avaliação, corte do espaço de procura e decisões em tempo real. Jogos com informação incompleta e factor sorte. |
| 7 | 29/9 | Problemas de Satisfação de Restrições. Procura com retrocesso cronológico, ordenação de variáveis e valores: heurísticas de variável mais constrangida e do valor menos restritivo. Propagação de informação para reduzir procura: o algoritmo de consistência de arcos. Procura local em problemas de satisfação de restrições: a estratégia min-conflitos. Utilização da estrutura do problema para simplificar a sua resolução. |
| 8 | 30/9 |
Agentes baseados em conhecimento. Lógicas e compromissos ontológicos e epistemológicos. Lógica proposicional: sintaxe e semântica. Consequência lógica e inferência lógica. Solidez e completude. |
| 9 | 6/10 | Regras de inferência. Resolução. Encadeamento para a frente e para trás com cláusulas de Horn. Inferência proposicional efectiva: algoritmo de Davis-Putnam-Longemann-Loveland (DPLL). Classes de complexidade P, NP, coNP e FNP. Problemas completos para as classes. Resolução de problemas desatisfatibilidade com procura local. O algoritmoWalkSAT. |
| 10 | 7/10 | Representação do conhecimento e raciocínio com lógica de predicados de primeira ordem. |
| 11 | 13/10 | Programação em Lógica não monotónica. |
| 12 | 14/10 | Programação por Conjuntos de Resposta (Answer-Set Programming). |
| 18/10 | 1º Teste (data e hora a confirmar no CLIP) | |
| 13 | 20/10 | Agentes planeadores. Planeamento clássico. Linguagens de planeamento: PDDL e STRIPS. Planeamento através da procura em espaço de estados. Planeamentoprogressivo e regressivo em espaços de estados. Heurísticas. |
| 14 | 21/10 | Procura em espaços de planos. Planeamento com ordem parcial. Estudo do algoritmo POP. Grafos de Planeamento. Estudo do algoritmo GraphPlan. |
| 27/10 | Não há aula. | |
| 28/10 | Não há aula. | |
| 15 | 3/11 | Agindo com incerteza. Teoria das probabilidades. Probabilidade Condicional. Axiomas das probabilidades. Inferência recorrendo às distribuições de probabilidade conjunta. Independência absoluta e condicional. Regra de Bayes. Aplicações da regra deBayes: urnas, Monty Hall, dilema dos três prisioneiros e argumento do juízo final. |
| 16 | 4/11 | Redes Bayesianas. Semântica de Redes Bayesianas. Relações de independência condicional em redesBayesianas. Distribuições compactas e redes híbridas. |
| 17 | 10/11 | Inferência por enumeração em Redes de Bayes. Inferência por eliminação de variáveis em redesBayesianas. Inferência por métodos estocásticos. |
| 18 | 11/11 | Agentes aprendizes e formas de aprendizagem: associativa, supervisionada, não supervisionada e por reforço. Aproximações ao problema da aprendizagem: simbólica, conexionista e biológica. Aprendizagem conceptual: algoritmo de eliminação de candidatos. |
| 19 | 17/11 | Aprendizagem de árvores de decisão. |
| 20 | 18/11 | Regressão Linear e Classificação |
| 21 | 24/11 | Redes neuronais. |
| 22 | 25/11 | Conclusão da Disciplina. Análise retrospectiva da matéria dada. |
| 6/12 | 2º Teste (data e hora a confirmar no CLIP) |