UNIVERSIDADE DE SÃO PAULO - LESTE SISTEMAS DE INFORMAÇÃO SYLABUS DA DISCIPLINA DE INTELIGÊNCIA ARTIFICIAL 1. DADOS INFORMATIVOS 1.1. Unidade : SISTEMAS DE INFORMAÇÃO 1.2. Semestre : II - 2015 1.3. Hras semanais : 4 crédits aula e 2 crédits trabalh 1.4. Dcente : Sarajane Marques Peres 2. DESCRIÇÃO E FUNDAMENTAÇÃO DA DISCIPLINA A disciplina de Inteligência Artificial está planejada para apresentar s cnceits fundamentais das principais técnicas de Inteligência Artificial, enfatizand s cnceits relacinads a tarefas de Mineraçã de Dads e Otimizaçã. Cnteúd: Representaçã d cnheciment. 1 Aprendizad de Máquina. Mineraçã de Dads e Mineraçã de Texts. Técnicas de Busca. Sistemas Baseads em Cnheciment e Sistemas Especialistas. Explraçã de prblemas e sluções na área de Inteligência Artificial. Cnceits básics da Linguagem Lógica PROLOG. 3. OBJETIVOS Apresentar a alun s cnceits fundamentais das principais técnicas de Inteligência Artificial. Trabalhar cnceits básics da Linguagem Lógica PROLOG, além de prprcinar cntat cm prgramas de Inteligência Artificial vltads a aplicações nas diversas subáreas da disciplina. 1 O cnceit de representaçã de cnheciment será trabalhad dentr ds demais tópics, enfatizand cm se dá a representaçã d cnheciment n cntext de cada uma das técnicas trabalhadas.
4. PROGRAMAÇÃO Data Cnteúd / atividade prevista 1 23 de fevereir Apresentaçã da Disciplina Prgramas, Prcediments e Regras 2 26 de fevereir Intrduçã à Inteligência Artificial Apresentaçã d Cntext de Mineraçã de Dads e de Prblemas de Otimizaçã 3 2 de març 4 5 de març Aprendizad de Máquina (Algritms de Aprendizad Supervisinad) 5 9 de març Redes Neurais Artificiais (Neurônis) (MLP Simples) (MLP BackPrpagatin) (LVQ) 6 12 de març 7 16 de març Apresentaçã d trabalh Aprendizad supervisinad cm RNA 8 19 de març Aprendizad de Máquina - Árvres de Decisã 9 23 de març 10 26 de març Pré-Prcessament de Dads 11 6 de abril Estratégias de Testes e Avaliaçã para Classificaçã 12 9 de abril Exercícis (avaliaçã em grup aprendizad supervisinad) 13 13 de abril 14 16 de abril Aprendizad de Máquina (Algritms de Aprendizad Nã Supervisinad) 15 23 de abril (K-means e SOM) Avaliaçã para Clustering 16 27 de abril 17 30 de abril Exercícis (avaliaçã em grup aprendizad nã supervisinad) 18 4 de mai 19 7 de mai Algritms de Busca Heurística e Meta-Heurísticas 20 11 de mai (Busca Lcal, Simulated Anealing, Algritms Genétics, Algritms Memétics) 21 14 de mai 22 18 de mai Entrega d Trabalh Agendament de apresentações (se fr cas) 23 21 de mai 24 25 de mai Sistemas Baseads em Cnheciment Sistemas Especialistas (Inferência Lógica) 25 28 de mai 26 1 de junh 27 8 de junh Teria de Cnjunts Fuzzy e Lógica Fuzzy Sistemas cm Inferência Fuzzy 28 11 de junh 29 15 de junh Intrduçã à Linguagem Prlg Revisã de cnteúd (se matéria em dia) baseada em dúvidas ds aluns 30 18 de junh Apresentaçã d trabalh de recuperaçã 31 22 de junh Prva 32 25 de junh Prva Substitutiva 33 27 de julh Prva de recuperaçã / Entrega e apresentaçã d trabalh de recuperaçã 34 28 de julh Apresentaçã d trabalh de recuperaçã 35 29 de julh Apresentaçã d trabalh de recuperaçã Prgramaçã preliminar e sujeita a mudanças n decrrer da disciplina.
5. BIBLIOGRAFIA GERAL BRATKO,I. Prlg Prgramming fr Artificial Intelligence, 2.ed., Addisn-Wesley, 1990. FAUSETT, L. Fundamentals f Neural Netwrks: architectures, algrithms, and applicatins. Prentice-Hall: New Jersey, USA, 1994. LINDEN, R. Algritms Genétics. Editra. Brasprt, 2006. GOLDSHMIDT, R. e PASSOS, R.. Data Mining: Um Guia Prátic. Ed. Campus, 2005. HAN, K. e Kamber, M. Data Mining: Cncepts and Techiniques. 2ª Ed. 2006. PEDRYCS, W. e GOMIDE, F. An Intrductin t Fuzzy Sets: Analysis and Design. (Bradfrd Bks, MIT Press Cambridge, 1998). RUSSEL, S. e NORVIG, P. Artificial Intelligence: A Mdern Apprach. Prentice Hall, 1995. VAN LE, T. Techiniques f Prlg Prgramming: with implementatin f Lgical Negatin and Quantified Gals. Jhn Wiley & Sns, Inc.,1993. 6. METODOLOGIA Expsiçã em aula pel dcente ds temas d curs. Realizaçã de avaliações escritas e via execuçã de trabalhs prátics. Atendiment de dúvidas ds aluns pel prfessr. Hrári: segundas-feiras (15:30 18:30) mediante agendament prévi (utrs hráris sã pssíveis, mas precisam também ser planejads cm antecedência via agendament). Utilizaçã d sistema de gestã de curss e-tidia para depósit de trabalhs e cmunicaçã de recads gerais para turma (d prfessr as aluns). Realizaçã de trabalhs em grup de quatr integrantes (n máxim). A avaliaçã ds trabalhs seguirá critéris idêntics, independente d númer de integrantes ds grups. A avaliaçã de qualquer um ds trabalhs especificads durante a disciplina pderá implicar na apresentaçã ds mesms pels aluns d grup (a ser determinad pela prfessra da disciplina). Essa apresentaçã influenciará na nta final d trabalh para grup e também individualmente. 7. MATERIAIS E MÉTODOS Aulas expsitivas. Expsições sbre us de sftwares. Dispnibilizaçã de lista de exercícis. Especificaçã pr escrit sbre s requisits ds trabalhs. 8. AVALIAÇÃO DO APRENDIZADO A avaliaçã d aprendizad será feita utilizand as seguintes diretrizes: O alun deve alcançar a frequência mínima de 70% das aulas;
Avaliaçã: O alun realizará uma prva escrita (P) referente a cnteúd ministrad pel prfessr durante semestre, que já nã fi cbrad n trabalh da disciplina e nas avaliações via exercícis em aula. Haverá a prtunidade de realizaçã de uma prva substitutiva escrita e individual, para s aluns que perderem a prva em sua data riginal. Os aluns deverã participar de um grup de trabalh a fim de realizar trabalh da disciplina (T). Os grups de trabalh ds aluns deverã reslver exercícis em sala de aula, s quais valerã a nta (E). Os aluns que faltarem à aula de aplicaçã ds exercícis pderã realizar uma atividade substitutiva, a ser realizada individualmente, na mesma data e hrári da prva substitutiva; A nta btida na resluçã ds exercícis em sala de aula será aplicada em uma média pnderada junt a nta da prva, da seguinte frma: P final = (3 * E + 7 * P) / 10 A média final (MF) d alun bedecerá à seguinte regra: Se P final >= 5,0 e T >= 5,0 entã MF = (P final + T) / 2, senã MF = mínim(p final,t); O alun estará aprvad se MF >= 5,0 e estará reprvad se MF < 3,0; O alun estará em recuperaçã se 3,0 <= MF < 5,0 e neste cas: Se P final < 5,0: alun deverá realizar a prva de recuperaçã referente a cnteúd teóric apresentad durante a disciplina (excluind cnteúd cbrad n trabalh) (RCp); Se T < 5,0: alun deverá desenvlver um segund trabalh, cnfrme especificaçã a ser dispnibilizada pela prfessra da disciplina (RCt); Se P final e T < 5,0 : alun deverá realizar a prva de recuperaçã (RCp) e desenvlver segund trabalh (RCt) e a média dessas avaliações (RCpt) será: se RCp >= 5,0 e RCt >= 5,0 entã RCpt = (RCp + RCt) / 2, senã RCpt = mínim(rcp,rct); A média final cm recuperaçã (MFrec) d alun que entru em recuperaçã será calculada da seguinte frma: MFrec = (MF + RCp) / 2 u MFrec = (MF + RCt) / 2 u MFrec = (((P final + T) / 2) + RCpt) / 2 a depender d tip de recuperaçã n qual alun se encaixu. O alun estará aprvad se MFRec >= 5,0 e estará reprvad se MFRec < 5,0; Observaçã: a prva de recuperaçã envlverá td cnteúd da disciplina,
9. POLÍTICAS excluind cnteúd cbrad n trabalh. A prgramaçã de aulas é preliminar e está sujeita a mudanças. A prgramaçã das avaliações será alterada apenas pr mtivs cnsequentes de ações u determinações da universidade. Nã serã admitids atrass na entrega ds trabalhs, send que grup que nã entregar receberá nta 0 a respectiva avaliaçã. Nã existe abn de faltas prcure guardar s 30% de pssibilidades de falta para quand REALMENTE fr necessári faltar. O alun nã reprva pr um u duas faltas, ela reprva pr ausências em mais de 9 dias de aulas, u seja 19 u mais faltas. Eventuais prblemas referentes à disciplina deverã ser tratads PESSOALMENTE junt a prfessr, durante hrári de atendiment u lg após términ das aulas.