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
09-Fev	Apresentação da disciplina e critérios de avaliação. Introdução à IA e ao conceito de agente autônomo	Dinâmica em grupo
11-Fev	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

Data	Fundamentos / Conteúdo	Dinâmica
23-Fev	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.
25-Fev	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.
02-Mar	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.
04-Mar	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.

Data	Fundamentos / Conteúdo	Dinâmica
09-Mar	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-Mar	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.
16-Mar	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.
18-Mar	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).
23-Mar	SEMANA DE PROVAS	SEMANA DE PROVAS - Prova Intermediária
25-Mar	SEMANA DE PROVAS	SEMANA DE PROVAS - Prova Intermediária

Data	Fundamentos / Conteúdo	Dinâmica
30-Mar	Constraint Satisfaction Problems	Implementação de um agente autônomo capaz de identificar estados que satisfazem determinadas restrições.
01-Abr	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.

Data	Fundamentos / Conteúdo	Dinâmica
06-Abr	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

Data	Fundamentos / Conteúdo	Dinâmica
08-Abr	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-Abr	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-Abr	Algoritmo Q-Learning: detalhes e hiperparâmetros.	Implementação de agentes autônomos usando o algoritmo Sarsa.
22-Abr	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa

Data	Fundamentos / Conteúdo	Dinâmica
27-Abr	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa
29-Abr	Visão geral sobre robótica e framework ROS2	Visão geral sobre robótica e framework ROS2
04-Mai	Desenvolvimento de um agente robótico (físico).	Implementação de um projeto envolvendo um robô físico
06-Mai	Desenvolvimento de um agente robótico (físico).	Implementação de um projeto envolvendo um robô físico
11-Mai	Avaliação Final da disciplina	Avaliação Final da disciplina
13-Mai	Avaliação Final da disciplina	Avaliação Final da disciplina