2024
Inteligência Artificial Aplicada
Nome: Inteligência Artificial Aplicada
Cód.: INF13262M
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Informática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Como resultado desta disciplina o aluno deve ser capaz de modelar problemas de diferentes domínios com técnicas para representação de conhecimento incerto como o raciocínio probabilistico.
Usar o formalismo das redes de Bayes na modelação de problemas tendo em conta as relações condicionalmente independentes no desenho das redes usando diferentes tipos de inferência ser capaz de os implementar.
Estudar problemas de outros domínios recorrendo a recursos on-line fornecidos e procurando novos recursos relevantes usando técnicas de aprendizagem automática para obter as tabelas de distribuição conjunta das redes de Bayes.
Conhecer e ser capazes de usar métricas para a comparação dos resultados obtidos com as suas aplicações usando redes de bayes com os de outras técnicas de IA para raciocinar com incerteza em problemas concretos.
O desenvolvimento da capacidade de recolha autónoma de bibliografia para resolução de um problema
usando técnicas especificas.
Usar o formalismo das redes de Bayes na modelação de problemas tendo em conta as relações condicionalmente independentes no desenho das redes usando diferentes tipos de inferência ser capaz de os implementar.
Estudar problemas de outros domínios recorrendo a recursos on-line fornecidos e procurando novos recursos relevantes usando técnicas de aprendizagem automática para obter as tabelas de distribuição conjunta das redes de Bayes.
Conhecer e ser capazes de usar métricas para a comparação dos resultados obtidos com as suas aplicações usando redes de bayes com os de outras técnicas de IA para raciocinar com incerteza em problemas concretos.
O desenvolvimento da capacidade de recolha autónoma de bibliografia para resolução de um problema
usando técnicas especificas.
Conteúdos Programáticos
Conhecimento Incerto e raciocínio
- Introdução à Incerteza
- Cálculo de probabilidade: Sintaxe e semântica; Inferência; Independência e regra de Bayes;
- Introdução às Redes de Bayes: Sintaxe; Semântica; Distribuições parametrizadas
- Inferência nas redes de Bayes; Inferência exacta por enumeração e eliminação de variáveis; Inferência Aproximada por Simulação Estocástica e Cadeias de Markov de Monte Carlo
- Modelos de Probabilidade Temporais: Tempo e incerteza; Inferência: filtrar, prever, suavizar; Modelos escondidos de Markov; Filtros de Kalman; Redes de Bayes dinâmicas; Filtragem de partículas
- Aplicações de Redes de Bayes e Modelos de Probabilidade: Reconhecimento de Fala; Tarefas de processamento de lingua natural como pos-tagging e reconhecimento de entidades mencionadas.
- Decisões racionais: preferências, utilidade, redes de decisão e valor da informação
- Aprendizagem por observações, i
- Introdução à Incerteza
- Cálculo de probabilidade: Sintaxe e semântica; Inferência; Independência e regra de Bayes;
- Introdução às Redes de Bayes: Sintaxe; Semântica; Distribuições parametrizadas
- Inferência nas redes de Bayes; Inferência exacta por enumeração e eliminação de variáveis; Inferência Aproximada por Simulação Estocástica e Cadeias de Markov de Monte Carlo
- Modelos de Probabilidade Temporais: Tempo e incerteza; Inferência: filtrar, prever, suavizar; Modelos escondidos de Markov; Filtros de Kalman; Redes de Bayes dinâmicas; Filtragem de partículas
- Aplicações de Redes de Bayes e Modelos de Probabilidade: Reconhecimento de Fala; Tarefas de processamento de lingua natural como pos-tagging e reconhecimento de entidades mencionadas.
- Decisões racionais: preferências, utilidade, redes de decisão e valor da informação
- Aprendizagem por observações, i
Métodos de Ensino
A matéria é introduzida nas aulas teóricas onde também são analisadas algumas soluções para alguns problemas tipos. Nas aulas práticas laboratoriais os alunos resolvem alguns exercícios propostos no papel, no computador têm que implementar alguns dos algoritmos estudados e usá-los para resolver alguns exercícios. Parte das aulas práticas laboratoriais também é usada para os alunos resolverem alguns dos trabalhos da disciplina.
Avaliação
Avaliação contínua: constituida por 4 componentes:
* 2 frequências: 15% cada
* 2 trabalhos práticos: 35% cada
Avaliação final - constituída por 3 componentes:
* exame: 30%
* 2 trabalhos práticos: 35% cada
A nota final é obtida através da média ponderada das componentes. O aluno tem aprovação se a nota final for igual ou superior a 10.
* 2 frequências: 15% cada
* 2 trabalhos práticos: 35% cada
Avaliação final - constituída por 3 componentes:
* exame: 30%
* 2 trabalhos práticos: 35% cada
A nota final é obtida através da média ponderada das componentes. O aluno tem aprovação se a nota final for igual ou superior a 10.
Bibliografia
Stuart Russell , Peter Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall Press, Upper Saddle River, NJ, 2009
Chapters 13-21. http://aima.cs.berkeley.edu/
KDnuggets Bayesian Networks and Bayesian Classifier Software:
http://www.kdnuggets.com/software/bayesian.html
Bayesian Network tools in Java (BNJ) (GNU C). \ http://bnj.sourceforge.net/
GeNIe, decision modeling environment implementing influence diagrams and Bayesian networks. http://genie.sis.pitt.edu/
Chapters 13-21. http://aima.cs.berkeley.edu/
KDnuggets Bayesian Networks and Bayesian Classifier Software:
http://www.kdnuggets.com/software/bayesian.html
Bayesian Network tools in Java (BNJ) (GNU C). \ http://bnj.sourceforge.net/
GeNIe, decision modeling environment implementing influence diagrams and Bayesian networks. http://genie.sis.pitt.edu/
Equipa Docente (2023/2024 )
- António Manuel Ribeiro dos Anjos [responsável]
