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
10-Ago	Apresentação da disciplina e critérios de avaliação. Introdução à IA e ao conceito de agente autônomo	Dinâmica em grupo
12-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
17-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.
19-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.
24-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.
26-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.

Data	Fundamentos / Conteúdo	Dinâmica
31-Ago	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.
2-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.
9-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.

Data	Fundamentos / Conteúdo	Dinâmica
14-Set	Constraint Satisfaction Problems	Implementação de um agente autônomo capaz de identificar estados que satisfazem determinadas restrições.
16-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.
21-Set	SEMANA DE PROVAS	SEMANA DE PROVAS - Prova Intermediária
23-Set	SEMANA DE PROVAS	SEMANA DE PROVAS - Prova Intermediária

Data	Fundamentos / Conteúdo	Dinâmica
28-Set	Visão geral sobre robótica e framework ROS2	Visão geral sobre robótica e framework ROS2
30-Set	Desenvolvimento de um agente robótico (físico).	Implementação de um projeto envolvendo um robô físico
5-Out	Desenvolvimento de um agente robótico (físico).	Implementação de um projeto envolvendo um robô físico

Data	Fundamentos / Conteúdo	Dinâmica
7-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.
14-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.
19-Out	Algoritmo Q-Learning: detalhes e hiperparâmetros.	Implementação de agentes autônomos usando o algoritmo Sarsa.
21-Out	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa
26-Out	Ambientes não-determinísticos. Reinforcement Learning: métodos tabulares	Implementação de agentes autônomos usando o algoritmo Q-Learning e Sarsa

Data	Fundamentos / Conteúdo	Dinâmica
28-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
2026-11-04 00:00:00	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).
2026-11-09 00:00:00	Avaliação Final da disciplina	Avaliação Final da disciplina
2026-11-11 00:00:00	Avaliação Final da disciplina	Avaliação Final da disciplina