INTELIGÊNCIA ARTIFICIAL
DOSSIER 2003/2004
DATA DE ACTUALIZAÇÃO 7/31/04
Manuel Filipe Santos mfs@dsi.uminho.pt
ÍNDICE
Enunciados das Provas de Avaliação
A disciplina de
Inteligência Artificial encontra-se incluída no 4º ano do plano curricular da
Licenciatura em Informática de Gestão da Universidade do Minho e começou a
funcionar no ano lectivo de 1993/94, em regime anual. A sua escolaridade
corresponde a 2 horas semanais de carácter teórico, 1 hora semanal de carácter
teórico-prático e 2 horas semanais de carácter prático (a turma divide-se em
três turnos).
Desde o ano lectivo de
1996/1997 que a disciplina de Inteligência Artificial é da responsabilidade de
Manuel Filipe Vieira Torres dos Santos, professor auxiliar do departamento de
Sistemas de Informação, docente que assegura desde essa data a leccionação de todas
as aulas.
Pedagogicamente as
aulas teóricas são utilizadas para, através do método expositivo, apresentar os
fundamentos teóricos da disciplina, sempre que possível acompanhados de
exemplos demonstrativos. As aulas teórico-práticas são utilizadas na aplicação
e sistematização da matéria estudada. A consolidação do conhecimento é
completada nas aulas práticas através da resolução de exercícios práticos. Tem
sido um ponto de esforço a utilização cada vez mas alargada de apresentações
electrónicas que servem também como elemento orientador de estudo para os
alunos. O apoio pedagógico é reforçado com a disponibilização dos materiais de
exposição e textos escritos pelo docente sobre as matérias abordadas.
Para além das aulas os
alunos, em grupos de 4 elementos no máximo, resolvem dois projectos
relacionados respectivamente com as matérias abordadas no primeiro e segundo
semestre.
Desde o ano lectivo de
1998/1999 que toda a informação sobre a disciplina é coligida e disponibilizada
a partir de uma página WEB no endereço:
www.dsi.uminho.pt/disciplinas/LIGIA.
A seguir apresentam-se
alguns indicadores relativamente aos alunos que frequentaram esta disciplina
desde o ano lectivo de 1996/1997.
A seguir apresentam-se
alguns índices de sucesso relativamente aos alunos que frequentaram esta
disciplina desde o ano lectivo de 1996/1997.
CURSO
4º Ano da Licenciatura
em Informática de Gestão
Escolaridade
2 H Teóricas + 1 H
Teórico-prática + 3 Turnos de 2 H Práticas
Regime
Anual
Prof.
Doutor Manuel Filipe Santos (MFS)
Professor
Auxiliar
Departamento
de Sistemas de Informação
Escola de
Engenharia
Universidade
do Minho
Campus de
Azurém
4800
Guimarães
|
|
Seg |
Ter |
Qua |
Qui |
Sex |
|
9-10 |
|
|
Atendimento |
|
|
|
10-11 |
|
|
Atendimento |
|
Teórico Prática TP
(MFS) |
|
11-12 |
|
|
Teórica T (MFS) |
|
Prática P3 (MFS) |
|
12-13 |
|
|
Teórica T (MFS) |
|
Prática P3 (MFS) |
|
13-14 |
|
|
|
|
|
|
14-15 |
|
Prática P1 (MFS) |
|
|
Atendimento |
|
15-16 |
|
Prática P1 (MFS) |
|
|
Atendimento |
|
16-17 |
|
Prática P2 (MFS) |
|
|
Atendimento |
|
17-18 |
|
Prática P2 (MFS) |
|
|
Atendimento |
|
18-19 |
|
|
|
|
|
SISTEMAS DE CONHECIMENTO (1º SEMESTRE)
Introdução à
Inteligência Artificial
Lógica de
Predicados de Primeira Ordem e Programação em Lógica
Regras de Produção
Grafos
Redes semânticas
Frames (enquadramentos)
Grafos conceptuais
Scripts (guiões)
Padrões
SISTEMAS INTELIGENTES (2º SEMESTRE)
Sistemas Evolutivos
Sistemas de Aprendizagem
Sistemas de
Classificação
Aprendizagem por Indução
Redes Neuronais
Sistemas Baseados em
Agentes
Sistemas Periciais
Descoberta de Conhecimento em Bases
de Dados
1º SEMESTRE – SISTEMAS DE CONHECIMENTO
|
Unidade Temática |
Objectivos |
Conteúdo Programático |
Duração |
Bibliografia |
|
1 - Conhecimento e Raciocínio |
Estudar e aplicar formas de estruturar e representar o
conhecimento Estudar e desenvolver procedimentos de inferência ou dedução
através da programação em lógica Construir bases de conhecimento |
Noções Introdutórias Lógica de Predicados de Primeira Ordem e Programação em Lógica Lógica Introdução, Lógica proposicional, Raciocínio automático, Lógica de predicados, Prova de teoremas, Princípio da resolução, Cláusulas de Horn, SLD/LBS, Árvores de prova Revisões sobre Prolog (SICSTUS Prolog) Introdução, Sintaxe e
Semântica, Listas, Operadores e
Aritmética, Estruturas Cut e
Backtracking, Input e
Output, Outros
procedimentos embebidos, Técnica e
Estilo de programação, Operações nas
Estruturas de Dados O paradigma
LINDA para programação distribuída Lógica versus Bases de Dados Relacionais Bases de
dados dedutiveis Álgebra
relacional: União, Diferença, Produto cartesiano,
Projecção, Selecção, Join Propriedades:
Reflexividade,
Simetria, Transitividade,
Assimetria, Fechos Hipótese do
mundo fechado Regras de Produção Introdução, Redes de
inferência, Backward
chaining / Forward Chaining,
Geração de
provas (explicação), Incerteza Sistemas de raciocínio
probabilístico Redes semânticas Frames (enquadramentos) Padrões Sistemas de raciocínio sob incerteza e informação incompleta Representação
de informação incompleta através
de nulos, Consistência/Invariantes, Manutenção de
consistência Exercícios |
6 Semanas |
(1) Stuart Russel, Peter Norvig,
Artificial Intelligence A Modern Approach, Prentice Hall, 1995 (2) Ivan Brakto, Prolog - Programming
for Aritficial Intelligence, Second Edition,Addison Wesley, 1990. (3) Elaine Rich, Kevin Knight, Articial
Intelligence, Second Edition, McGrawHill, 1991. (4) George F Luger, William A
Stubblefield, Artificial Intelligence Structures and Strategies for Complex
Problem Solving, Third Edition, Addison-Wesley, 1998 (5) Helder Coelho, Inteligência Artificial em 25 Lições, Fund.
Calouste Gulbenkian, 1994. |
|
2 - Representação, Procura, Resolução de Problemas e
Planeamento |
Estudar formas de especificar problemas através de objectivos
a atingir Representar espaços de estados e soluções Estudar técnicas de procura em espaços de soluções como forma
de definir a sequência de passos a executar para atingir o objectivo |
Grafos Representação,
Inferência, Procura num
espaço de estados/soluções, Breath-first/Depth-first Outras técnicas de procura Exercícios |
2 Semanas |
(2), (3), (4), (5) |
|
3 - Processamento da Linguagem |
Representar e interpretar frases escritas em linguagem natural
Realçar o uso da linguagem natural na interacção entre agentes
inteligentes e entre estes e os seres humanos |
Grafos conceptuais Scripts (guiões) Linguagem Natural Sintaxe Gramáticas
livres de contexto Gramáticas
de cláusulas definidas Árvores
de parsing Semântica Representação
baseada na lógica Exercícios |
2 Semanas |
(5) |
|
4 - Sistemas de Conhecimento |
Estudar os processos envolvidos na engenharia do conhecimento Estudar e desenvolver sistemas de conhecimento utilizando as
estruturas de representação e os mecanismos de inferência estudados |
Fases no desenvolvimento de um sistema de conhecimento: Preparação; Construção; Desenvolvimento; Avaliação Estrutura hierárquica de um sistema de conhecimento: Nível do
Conhecimento; Nível
Simbólico; Nível Físico Desenvolvimento de um sistema de conhecimento (sistema
pericial) |
2 Semanas |
(5) |
|
Escolaridade (semanal) |
Avaliação |
Recursos Necessários |
Pré-requisitos |
|
2 H Teóricas 1H Teórico-prática 3 x 2 H Práticas |
1 Projecto desenvolvido em grupo NP 1 Teste escrito NT Nota final = 25% NP + 75% NT |
PC MS Windows 9X ou MS NT SICStus Prolog V.3XX |
Os alunos devem possuir conhecimentos nas áreas de: Programação em lógica Algoritmia Técnicas e Linguagens de programação Análise de sistemas Teoria de Conjuntos Matemática Discreta Cálculo Matemático |
2º
SEMESTRE - SISTEMAS INTELIGENTES
|
Unidade Temática |
Objectivos Conteúdo Programático |
Duração |
Bibliografia |
|
|
1 - Introdução à Inteligência Artificial |
Explicar o que é a inteligência artificial. Explicar o que faz um agente inteligente, como se relaciona
com o seu ambiente, como evolui e como se estrutura. |
Introdução à IA O que é a IA
(abordagem AIMA) Fundamentos
da IA Breve
História da IA O Estado da
Arte Agentes Inteligentes Introdução Como deve
actuar um agente Estrutura dos
Agentes Inteligentes Ambientes Exercícios |
1 Semana |
(1) |
|
2 - Computação Evolutiva |
Estudar técnicas evolutivas baseadas na genética e selecção
natural para resolver problemas de procura e optimização |
Sistemas Evolutivos Características
de um programa evolutivo/adaptativo, Estrutura, Algoritmos genéticos Estrutura e
funcionamento, Operadores genéticos,
Função de
avaliação, Exercícios |
3 Semanas |
(6) David Goldberg, Genetic Algorithms
in Search, Optimization and Machine Learning, Addison-Wesley, 1989. |
|
3 - Aprendizagem Automática e Adaptação |
Estudar técnicas de aprendizagem que permitem construir
agentes adaptativos Conhecer os vários paradigmas de aprendizagem Estudar o data mining como uma aplicação de algumas das
técnicas estudadas |
Introdução aos Sistemas de Aprendizagem Sistemas de classificação Estrutura
e funcionamento, Sub-sistema de regras
e mensagens, Sub-sistema de distribuição de créditos, Sub-sistema de descoberta de regras
(Algoritmo genético) Aprendizagem por indução Aprendizagem
de conceitos através de exemplos Representação
de objectos através de redes semânticas Representação
de objectos através de atributos Indução e
poda de árvores de decisão Redes Neuronais Constituição
e funcionamento, Funções de
activação, Estruturas de
redes neuronais, Aprendizagem
por incremento fixo, Aprendizagem
por backpropagation Redes de
competição Data Mining: definição, objectivos e técnicas mais utilizadas Exercícios |
6 Semanas |
(1), (3), (6) (7) Usama M. Fayyad, et al, Advances
in Knwledge Discovery and Data Mining, AAAI Press, 1996 |
|
4 - Sistemas Baseados em Agentes |
Estudar os sistemas de processamento distribuído e os sistemas
multi-agente com ênfase na caracterização dos agentes, comunicação e
negociação entre estes e por fim os ambientes |
Inteligência artificial paralela e distribuída Sistemas Paralelos, Distribuídos e sistemas Multi-agente Arquitecturas paralelas Sistemas distribuídos Definição, Granularidade,
Coordenação e
cooperação, Planemento
multi-agente, Negociação, Comunicação:
Mensagens, Quadros- negros, Matrizes de recompensa Agentes Inteligentes Definição e
estrutura. Percepções, acções, objectivos e
ambientes. Agentes
racionais e autónomos. Programação
de agentes: reflexivos, reflexivos com estado interno, orientados
por objectivos e orientados pela utilidade. Tipos de
ambientes: acessíveis, determínisticos, episódicos, estático/dinâmicos, discretos/contínuos. Exercícios |
2 Semanas |
(1), (3), (5) (8) Gheorghe Tecuci, Building
Intelligent Agents, Na Apprenticeship Multistrategy Learning Theory, Methodology,
Tool and Case Studies, Academic Press, 1998 |
|
Escolaridade
(semanal) |
Avaliação |
Recursos Necessários |
Pré-requisitos |
|
2 H Teóricas 1H Teórico-prática 3 x 2 H Práticas |
1 Projecto desenvolvido em grupo NP 1 Teste escrito NT Nota final = 25% NP + 75% NT |
PC MS Windows 9X ou MS NT em rede SICStus Prolog V.3XX |
Os alunos devem possuir conhecimentos nas áreas de: Representação de conhecimento e inferência Programação em lógica Programação distribuída Algoritmia Técnicas e Linguagens de programação Análise de sistemas Sistema binário e álgebra Booleana Matemática Discreta Cálculo Matemático |
CONDIÇÕES
PARA A PASSAGEM À DISCIPLINA
Presença obrigatória a
pelo menos 2/3 das aulas práticas.
Realização de 2 testes
escritos ou um exame completo com média (NT) superior ou igual a 9.5 valores.
A nota mínima admitida
nos testes é de 8 valores.
Realização de dois
projectos em grupos de 3 ou 4 elementos no máximo cuja nota média é de NP.
A nota final à disciplina é dada pela expressão: Nota Final = 25% NP + 75% NT.
|
***** |
(1) Stuart
Russel, Peter Norvig, Artificial Intelligence A Modern Approach, Prentice
Hall, 1995 |
|
***** |
(2) Ivan Brakto, Prolog - Programming
for Aritficial Intelligence, Second Edition,Addison Wesley, 1990. |
|
** |
(3) Elaine Rich, Kevin Knight, Articial
Intelligence, Second Edition, McGrawHill, 1991. |
|
**** |
(4) George F Luger, William A
Stubblefield, Artificial Intelligence Structures and Strategies for Complex
Problem Solving, Third Edition, Addison-Wesley, 1998. |
|
** |
(5) Helder Coelho,
Inteligência Artificial em 25 Lições, Fund. Calouste Gulbenkian, 1994. |
|
***** |
(6) David Goldberg, Genetic Algorithms
in Search, Optimization and Machine Learning, Addison-Wesley, 1989. |
|
***** |
(7) Usama M. Fayyad, et al,
Advances in Knwledge Discovery and Data Mining, AAAI Press, 1996 |
|
* |
(8) Gheorghe Tecuci, Building Intelligent
Agents, An Apprenticeship Multistrategy Learning Theory, Methodology, Tool
and Case Studies, Academic Press, 1998 |
APRESENTAÇÕES
Descoberta de Conhecimento em Bases
de Dados e Data Mining
Data Mining Tuturial com
Clementine
TEXTOS
1º SEMESTRE
|
Data |
Tipo |
Horário |
Sumário |
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
|
16/9/2003 |
P1 |
14-16 |
|
|
16/9/2003 |
P2 |
16-18 |
|
|
17/9/2003 |
T |
11-13 |
|
|
19/9/2003 |
TP |
10-11 |
|
|
19/9/2003 |
P3 |
11-13 |
|
2º SEMESTRE
|
Produto |
Endereço |
|
Sicstus PROLOG AgentBuilder SAS |
http://www.cs.bham.ac.uk/~anp/TheDataMine.html
http://www.ics.uci.edu/AI/ML/Machine-Learning.html
http://info.gte.com/~kdd/software.html
http://www.cosmic.uga.edu/maincat.html
http://www.neuronet.ph.kcl.ac.uk/
http://www.ipd.ira.uka.de/~prechelt/FAQ/neural-net-faq.html
http://bashful.qub.ac.uk/tec/courses/datamining/
DE AVALIAÇÃO
Época Normal de Junho 1ª Chamada
Época de Recurso
de Julho