Skip to content

Plano de aula

O plano de aula desta disciplina está divido em seis (6) blocos. Para cada bloco as seguintes atividades estão planejadas.

Atenção!

O programa está sempre sujeito a alterações e adaptações conforme as disciplina é executada.

Introdução à Inteligência Artificial

Data Fundamentos / Conteúdo Dinâmica
11-Ago Apresentação da disciplina e critérios de avaliação. Introdução à IA e ao conceito de agente autônomo Dinâmica em grupo
13-Ago Revisão do conceito de agente autônomo, discussão sobre diferenças de agente autônomo e software convencional, e propriedades de ambientes. Dinâmica em grupo

O conteúdo associado a este bloco é 1 e 2

Busca em Espaços de Estados

Data Fundamentos / Conteúdo Dinâmica
18-Ago Resolução de problemas através de espaço de busca. Exercícios em sala de aula onde os alunos são convidados a definir estado, transição, estado meta e custo da solução encontrada para diversos problemas.
20-Ago Estratégias de busca. Algoritmos de busca cegos (largura, profundidade, iterativo, custo uniforme). Critérios de comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.
01-Set Estratégias de busca. Algoritmos de busca cegos (largura, profundidade, iterativo, custo uniforme). Critérios de comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.
03-Set Estratégias de busca. Algoritmos de busca cegos (largura, profundidade, iterativo, custo uniforme). Critérios de comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.

Busca Heurística

Data Fundamentos / Conteúdo Dinâmica
04-Set Estratégia de busca. Algoritmos de busca **informados** (busca gananciosa, $A^{*}$, família subida da montanha). Função heurística. Comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.
08-Set Estratégia de busca. Algoritmos de busca **informados** (busca gananciosa, $A^{*}$, família subida da montanha). Função heurística. Comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.
10-Set Estratégia de busca. Algoritmos de busca **informados** (busca gananciosa, $A^{*}$, família subida da montanha). Função heurística. Comparação entre os algoritmos. Implementação dos algoritmos de busca e dos agentes autônomos em Python para resolver alguns problemas clássicos da literatura.
11-Set Desenvolvimento de um agente autônomo que atua em um ambiente discreto, determinístico, síncrono, simulado e *single agent*. Implementação de um projeto, provavelmente, envolvendo algum framework de simulação (i.e., Gym Open AI).

Ambientes Competitivos

Data Fundamentos / Conteúdo Dinâmica
15-Set Constraint Satisfaction Problems Implementação de um agente autônomo capaz de identificar estados que satisfazem determinadas restrições.
17-Set Jogos de tabuleiro, busca competitiva, algoritmo min-max e função de utilidade. Implementação de um agente autônomo que deverá atuar em um ambiente competitivo, determinístico e completamente observável.
22-Set SEMANA DE PROVAS SEMANA DE PROVAS - Prova Intermediária
24-Set SEMANA DE PROVAS SEMANA DE PROVAS - Prova Intermediária

Projeto Intermediário

Data Fundamentos / Conteúdo Dinâmica
29-Set Desenvolvimento de um agente autônomo que atua em um ambiente discreto, determinístico, síncrono, simulado e *single agent* ou *multi-agent*. Desenvolvimento de projeto em sala de aula
01-Out Desenvolvimento de um agente autônomo que atua em um ambiente discreto, determinístico, síncrono, simulado e *single agent* ou *multi-agent*. Desenvolvimento de projeto em sala de aula
06-Out Desenvolvimento de um agente autônomo que atua em um ambiente discreto, determinístico, síncrono, simulado e *single agent* ou *multi-agent*. Desenvolvimento de projeto em sala de aula

Aprendendo políticas

Data Fundamentos / Conteúdo Dinâmica
08-Out Definição de aprendizagem por reforço, política de controle e algoritmo Q-Learning. Discussão em sala. Exercícios em sala de aula envolvendo o ambiente OpenAI Gym. Implementação de agentes autônomos usando o algoritmo Q-Learning.
13-Out Algoritmo Q-Learning: detalhes e hiperparâmetros. Apresentação do ambiente OpenAI Gym. Exercícios em sala de aula envolvendo o ambiente OpenAI Gym. Implementação de agentes autônomos usando o algoritmo Q-Learning.
15-Out Algoritmo Q-Learning: detalhes e hiperparâmetros. Implementação de agentes autônomos usando o algoritmo Sarsa.
20-Out Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa
22-Out Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa

Robótica

Data Fundamentos / Conteúdo Dinâmica
27-Out Visão geral sobre robótica e framework ROS2 Visão geral sobre robótica e framework ROS2
29-Out Desenvolvimento de um agente robótico (físico). Implementação de um projeto envolvendo um robô físico
3-Nov Desenvolvimento de um agente robótico (físico). Implementação de um projeto envolvendo um robô físico
5-Nov Desenvolvimento de um agente robótico (físico). Implementação de um projeto envolvendo um robô físico
10-Nov Avaliação Final da disciplina Avaliação Final da disciplina
12-Nov Avaliação Final da disciplina Avaliação Final da disciplina

Reposições de aulas

Neste semestre não teremos aulas nos dias 25/8 e 27/8.

Estas aulas serão repostas nos dias 4/9 e 11/9, respectivamente. Quinta-feira das 14:15 às 16:15.