Aulas Teóricas

As aulas teóricas são dadas pelo Prof. João Leite de acordo com o horário publicado aqui.

Aula	Data	Matéria Prevista
1	10/9	Apresentação. Objectivos, programa, funcionamento e avaliação da disciplina. Breve discussão sobre osobjectos de estudo, história e contornos da Inteligência Artificial como disciplina científica.
2	11/9 12:30 sala VII-1D (aula extra)	Inteligência artificial como construção de agentes racionais. Propriedades dos agentes, tarefas e ambientes. Medidas de desempenho de agentes e agente racional ideal. Arquitecturas de agentes: agentesreactivos puros; agente reactivo com memória; agente deliberativo com objectivo; agente deliberativo com função de utilidade; agentes aprendizes.
3	16/9	Agentes de procura: problemas, estados, operadores e soluções. Espaços de estados. Procura em Árvores. Estratégias de procura cega: largura primeiro, custo uniforme, profundidade primeiro, profundidade limitada, aprofundamento progressivo e bidireccional.Análise das propriedades dos algoritmos. Procura em Grafos.
	17/9	Não há aula.
4	18/9 12:30 sala VII-1D (aula extra)	Noção de heurística. Estratégias de procura informada (heurística): procura pelo melhor primeiro, procura sôfrega e procura A. Estudo das propriedades do algoritmo A e das heurísticas: admissibilidade, dominância, monotonia e consistência. Procura com memória limitada: IDA* e RBFS. Ilustração com exemplos.
5	23/9	Procura local. Problemas de optimização. Trepa colinas e procura tabu. Procura aleatória e recristalização simulada. Procura local em feixe.
6	24/9	Procura adversarial. Tipos de jogos. Estratégias óptimas. Algoritmo minimax e cortes alfa-beta. Funções de avaliação, corte do espaço de procura e decisões em tempo real. Jogos com informação incompleta e factor sorte.
	30/9	Não há aula.
7	1/10	Problemas de Satisfação de Restrições. Procura com retrocesso cronológico, ordenação de variáveis e valores: heurísticas de variável mais constrangida e do valor menos restritivo. Propagação de informação para reduzir procura: o algoritmo de consistência de arcos. Procura local em problemas de satisfação de restrições: a estratégia min-conflitos. Utilização da estrutura do problema para simplificar a sua resolução.
8	7/10	Agentes baseados em conhecimento. Lógicas e compromissos ontológicos e epistemológicos. Lógica proposicional: sintaxe e semântica. Consequência lógica e inferência lógica. Solidez e completude.
9	8/10	Regras de inferência. Resolução. Encadeamento para a frente e para trás com cláusulas de Horn. Inferência proposicional efectiva: algoritmo de Davis-Putnam-Longemann-Loveland (DPLL). Classes de complexidade P, NP, coNP e FNP. Problemas completos para as classes. Resolução de problemas desatisfatibilidade com procura local. O algoritmoWalkSAT.
	14/10	Não há aula.
	15/10	Não há aula.
	19/10	1º Teste (data e hora a confirmar no CLIP)
10	21/10	Representação do conhecimento e raciocínio com lógica de predicados de primeira ordem.
11	22/10	Programação em Lógica não monotónica.
12	23/10 12:30 (aula extra)	Programação por Conjuntos de Resposta (Answer-Set Programming)
13	28/10	Agentes planeadores. Planeamento clássico. Linguagens de planeamento: PDDL e STRIPS. Planeamento através da procura em espaço de estados. Planeamentoprogressivo e regressivo em espaços de estados. Heurísticas.
14	29/10	Procura em espaços de planos. Planeamento com ordem parcial. Estudo do algoritmo POP. Grafos de Planeamento. Estudo do algoritmo GraphPlan.
	4/11	Não há aula.
	5/11	Não há aula.
15	11/11	Agindo com incerteza. Teoria das probabilidades. Probabilidade Condicional. Axiomas das probabilidades. Inferência recorrendo às distribuições de probabilidade conjunta. Independência absoluta e condicional. Regra de Bayes. Aplicações da regra deBayes: urnas, Monty Hall, dilema dos três prisioneiros e argumento do juízo final.
16	12/11	Redes Bayesianas. Semântica de Redes Bayesianas. Relações de independência condicional em redesBayesianas. Distribuições compactas e redes híbridas.
17	18/11	Inferência por enumeração em Redes de Bayes. Inferência por eliminação de variáveis em redesBayesianas. Inferência por métodos estocásticos.
18	19/11	Agentes aprendizes e formas de aprendizagem: associativa, supervisionada, não supervisionada e por reforço. Aproximações ao problema da aprendizagem: simbólica, conexionista e biológica. Aprendizagem conceptual: algoritmo de eliminação de candidatos.
19	25/11	Aprendizagem de árvores de decisão.
20	26/11	Redes neuronais. Modelos de neurónios artificiais e funções de activação. Topologia da rede neuronal: redes monocamada e multicamada com alimentação para a frente. O algoritmo de retropropagação. Sobreajustamento e critérios de paragem.
21	2/12	Conclusão da Disciplina. Análise retrospectiva da matéria dada.
	9/12	2º Teste (data e hora a confirmar no CLIP)