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

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.

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).

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

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
08-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

Data	Fundamentos / Conteúdo	Dinâmica
13-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.
15-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.
20-Out	Algoritmo Q-Learning: detalhes e hiperparâmetros.	Implementação de agentes autônomos usando o algoritmo Sarsa.
22-Out	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa
27-Out	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa

Data	Fundamentos / Conteúdo	Dinâmica
29-Out	Visão geral sobre robótica e framework ROS2	Visão geral sobre robótica e framework ROS2
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

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.