Planeamento

Aulas Teóricas

Inteligência Artificial

Aula 1

Objectivos

Introdução à Inteligência Artificial

Cap.1

Agentes Inteligentes

Aula 2

Objectivos

1.Saber descrever o que é um agente.
2.Saber definir a função de desempenho, e o impacto na racionalidade do agente 
3.Saber descrever o que é um agente racional
4.Saber caracterizar um agente em termos de PEAS Performance (desempenho) Environment (ambiente) Actuators (actuadores) Sensors (sensores)
5.Descrever as diferentes propriedades de um ambiente.
6.Descrever e definir as 4 estructuras básicas de agentes

2.1, 2.4.2,2.4.3,2.4.6

Procura não informada

Aula 3

  • Formular o objectivo de uma procura •
  • Formular um problema de procura
    • Estado inicial 
    • Modelo de transição Sucessores 
    • Acções 
    • Espaço de estados
  • Objectivo
    • Compreender a diferença entre procura em grafo e procura em árvore
    • Metodos de procura não informada
      • Em largura
      • Em profundidade
      • Custo uniforme
      • Profundidade limitada
      • Profundidade limitada iterativa
      • Bidireccional 
3.1,3.4.13.4.2-3.4.7
3.5.1,3.5.2

Procura Informada

Aula 4

Objectivos

Fundamentais
Compreender e explicar a diferença entre procura não informada e procura informada.
Definição de função heuristica e heuristicas admissivel
Explicar e implementar uma procura melhor primeiro
Explicar e implementar uma procura A*
Explicar como criar uma heuristica admissivel

Complementares
Heuristicas consistentes
Melhorar o A* métodos RBFS, IDA*, SMA*

3.5.1, 3.5.2, 3.6



Procura em Jogos

Aula 5

Procura em jogos


Objectives:
  • Verificar se um problema é adversarial ou não
  • Formalizar um problema de procura adversarial
  • Compreender e implemental os algoritmos MiniMax e Alpha-Beta
  • Compreender e discutir as implicações de jogos estocásticos
  • Compreender e discutir extensões para melhorar a eficiência do Alpha-beta

References: AIMA Cap 5.1, 5.2, 5.3

Problema de Satisfação de Restricções

Aula 6

Problema de Satisfação de Restricções
-Definição

-Variáveis
-Restricções
-Consistência

Algoritmos
-Inferência
-AC3
-PC3
-Procura com Retrocesso
-Heuristicas
-Forward Checking
-Procura Local em CSP

6.1, 6.2, 6.3

Incerteza

Aula 7

Incerteza no Conhecimento e Raciocinio

Conteudo:

  • Variáveis aleatórias, probabilidades, axiomas de probabilidade
  • Agir com incerteza
  • Teoria da utilidade
  • Condicionamento, marginalização, prior, posteior, independência de variáveis
  • Lei de Bayes
  • Ambiente e agentes estocásticos

Objectivos:

  • Describe the statistical relations between di erent variables, including dependence, in-dependence
  • Compute probabilities using the Bayes rule
  • conditioning and marginalization
  • Describe agents and environments using probabilities

Referências: AIMA cap.13

Raciocinio probabilistico

Aula 8

Objectivos:


  • Inferência estatística
  • Representação distribuida usando redes bayesianas
  • Inferência exacta usando redes bayesianas

Referências: AIMA cap 14.1, 14.2, 14.4

Aprendizagem Automática

Aula 9


Aprendizagem automática


Conteudo: Aprendizagem por exemplos, tipos de problemas de aprendizagem, problemas de bias e variância, selecção de modelo, validação cruzada, escolha de métodos, exemplos

Objectivos: 
perceber os objectivos da aprendizagem automatica
perceber e explicar as dificuldades na aprendizagem
compreender as implicações do overfitting e a necessidade de seleccionar modelos
escolher metodos para cada problema

Referência:
18.1, 18.4, 18.5

Árvores de Decisão

Aula 10


Árvores de Decisão

Conteudo: estructura das árvores de decisão, indução de uma árvore de decisao

Objectivos:
  • saber construir uma árvore de decisão apartir de dados
  • escolher e podar árvores
  • compreender as limitações e as generalizações mais comuns das árvores de decisão
Referência
18.3

Aprendizagem por reforço

Aula 11

Conteudo

Aprendizagem por reforço

Objectivos
Compreender as dificuldades de aprender e planear em ambientes estocásticos
Definir e compreender os conceitos de recompensa, recompensa discontada acumulada, valor de uma politica, politica optima e função Q
Compreender e implementar os algoritmos de iteração de valor e Q-Learning.
Compreender os dilemas de exploration-exploitation

Referências
Cap 21.1, 21.2 e 21.3 (parcialmente)

Aprendizagem com modelos lineares

Aula 12


Conteudo

Aprendizagem com modelos lineares

Objectivos
Compreender os limites e exemplos de aplicações de Aprendizagem com modelos lineares
Aprender e implementar os métodos de regressão linear, regressão ridge, perceptrão e logistic regression.
Perceber os mecanismos de escolha de parâmetros.

Aprendizagem Não paramétrica

Aula 13


Conteudo:

Métodos knearest neighboors para regressão e classificação
Conceito de kernel

Referência:
AIMA cap18.8

Inteligência Artificial

Aula 14

Objectivos

Introdução à Inteligência Artificial

Cap.1

Agentes Inteligentes

Aula 15

Objectivos

1.Saber descrever o que é um agente.
2.Saber definir a função de desempenho, e o impacto na racionalidade do agente 
3.Saber descrever o que é um agente racional
4.Saber caracterizar um agente em termos de PEAS Performance (desempenho) Environment (ambiente) Actuators (actuadores) Sensors (sensores)
5.Descrever as diferentes propriedades de um ambiente.
6.Descrever e definir as 4 estructuras básicas de agentes

2.1, 2.4.2,2.4.3,2.4.6

Procura não informada

Aula 16

  • Formular o objectivo de uma procura •
  • Formular um problema de procura
    • Estado inicial 
    • Modelo de transição Sucessores 
    • Acções 
    • Espaço de estados
  • Objectivo
    • Compreender a diferença entre procura em grafo e procura em árvore
    • Metodos de procura não informada
      • Em largura
      • Em profundidade
      • Custo uniforme
      • Profundidade limitada
      • Profundidade limitada iterativa
      • Bidireccional 
3.1,3.4.13.4.2-3.4.7
3.5.1,3.5.2

Procura Informada

Aula 17

Objectivos

Fundamentais
Compreender e explicar a diferença entre procura não informada e procura informada.
Definição de função heuristica e heuristicas admissivel
Explicar e implementar uma procura melhor primeiro
Explicar e implementar uma procura A*
Explicar como criar uma heuristica admissivel

Complementares
Heuristicas consistentes
Melhorar o A* métodos RBFS, IDA*, SMA*

3.5.1, 3.5.2, 3.6



Problema de Satisfação de Restricções

Aula 18

Problema de Satisfação de Restricções
-Definição

-Variáveis
-Restricções
-Consistência

Algoritmos
-Inferência
-AC3
-PC3
-Procura com Retrocesso
-Heuristicas
-Forward Checking
-Procura Local em CSP

5.1, 5.2, 5.3

Procura em Jogos

Aula 19

Procura em jogos


Objectives:
  • Verificar se um problema é adversarial ou não
  • Formalizar um problema de procura adversarial
  • Compreender e implemental os algoritmos MiniMax e Alpha-Beta
  • Compreender e discutir as implicações de jogos estocásticos
  • Compreender e discutir extensões para melhorar a eficiência do Alpha-beta

References: AIMA Cap 5.1, 5.2, 5.3

Incerteza

Aula 20

Incerteza no Conhecimento e Raciocinio

Conteudo:

  • Variáveis aleatórias, probabilidades, axiomas de probabilidade
  • Agir com incerteza
  • Teoria da utilidade
  • Condicionamento, marginalização, prior, posteior, independência de variáveis
  • Lei de Bayes
  • Ambiente e agentes estocásticos

Objectivos:

  • Describe the statistical relations between di erent variables, including dependence, in-dependence
  • Compute probabilities using the Bayes rule
  • conditioning and marginalization
  • Describe agents and environments using probabilities

Referências: AIMA cap.13

Raciocinio probabilistico

Aula 21

Objectivos:


  • Inferência estatística
  • Representação distribuida usando redes bayesianas
  • Inferência exacta usando redes bayesianas

Referências: AIMA cap 14.1, 14.2, 14.4

Aprendizagem Automática

Aula 22


Aprendizagem automática


Conteudo: Aprendizagem por exemplos, tipos de problemas de aprendizagem, problemas de bias e variância, selecção de modelo, validação cruzada, escolha de métodos, exemplos

Objectivos: 
perceber os objectivos da aprendizagem automatica
perceber e explicar as dificuldades na aprendizagem
compreender as implicações do overfitting e a necessidade de seleccionar modelos
escolher metodos para cada problema

Referência:
18.1, 18.4, 18.5

Árvores de Decisão

Aula 23


Árvores de Decisão

Conteudo: estructura das árvores de decisão, indução de uma árvore de decisao

Objectivos:
  • saber construir uma árvore de decisão apartir de dados
  • escolher e podar árvores
  • compreender as limitações e as generalizações mais comuns das árvores de decisão
Referência
18.3

Aprendizagem por reforço

Aula 24

Conteudo

Aprendizagem por reforço

Objectivos
Compreender as dificuldades de aprender e planear em ambientes estocásticos
Definir e compreender os conceitos de recompensa, recompensa discontada acumulada, valor de uma politica, politica optima e função Q
Compreender e implementar os algoritmos de iteração de valor e Q-Learning.
Compreender os dilemas de exploration-exploitation

Referências
Cap 21.1, 21.2 e 21.3 (parcialmente)

Aprendizagem com modelos lineares

Aula 25


Conteudo

Aprendizagem com modelos lineares

Objectivos
Compreender os limites e exemplos de aplicações de Aprendizagem com modelos lineares
Aprender e implementar os métodos de regressão linear, regressão ridge, perceptrão e logistic regression.
Perceber os mecanismos de escolha de parâmetros.

Aprendizagem Não paramétrica

Aula 26


Conteudo:

Métodos knearest neighboors para regressão e classificação
Conceito de kernel

Referência:
AIMA cap18.8