Inteligência Artificial (2025/2)
Plano de Ensino: Inteligência Artificial
Ementa da Disciplina
Definição e histórico de IA. Abordagens para modelagem de inteligência com raciocínio dedutivo, indutivo e analógico. Agentes Inteligentes. Representação de Conhecimento. Utilização de estratégias de busca para a resolução de problemas. Áreas de atuação da inteligência artificial. Algoritmos de aprendizado de máquina para problemas de regressão e classificação.
Metodologia de Ensino
A disciplina adotará a metodologia Project-Based Learning (PBL), onde os alunos aprenderão ativamente através do desenvolvimento de projetos práticos e significativos. As aulas síncronas combinarão exposições teóricas com atividades práticas e discussões. Os encontros assíncronos serão utilizados para reforço do aprendizado, revisão e aprofundamento de tópicos, sem a introdução de novos conteúdos. Serão desenvolvidos dois trabalhos complementares (teóricos/práticos) ao longo do semestre, que não consumirão tempo dos encontros síncronos.
Objetivos de Aprendizagem
Ao final da disciplina, o aluno será capaz de:
- (a) Compreender os fundamentos históricos e as abordagens conceituais da Inteligência Artificial.
- (b) Desenvolver algoritmos e sistemas para a resolução de problemas utilizando estratégias de busca e representação de conhecimento.
- (c) Aplicar agentes inteligentes e técnicas de aprendizado de máquina em cenários práticos.
- (d) Conceber soluções inovadoras de IA clássica para desafios do mundo real.
Encontros Detalhados
A seguir, apresento o detalhamento dos 24 encontros:
| Encontro | Tema | Objetivo (breve descrição) | Formato | Metodologia Inovadora | Recursos Utilizados | Local |
|---|---|---|---|---|---|---|
| 1 (Síncrono) | Introdução à IA | Apresentar a disciplina, e a relevância da IA clássica no cenário atual. | Teórica | Discussão em Grupo | Slides, Whiteboard, Casos de Sucesso | Sala de Aula/Laboratório |
| 2 (Síncrono) | Histórico e Definição de IA | Entender a evolução histórica e as diferentes definições de Inteligência Artificial. | Teórica | Linha do Tempo Ativa | Slides, Artigos Históricos, Vídeos | Sala de Aula |
| 3 (Síncrono) | Abordagens de Raciocínio (Dedutivo, Indutivo) | Distinguir e aplicar raciocínio dedutivo e indutivo na modelagem da inteligência. | Teórica | Debate Guiado | Slides, Exemplos Lógicos, Problemas práticos | Sala de Aula |
| 4 (Assíncrono) | Reforço: Histórico e Raciocínio | Revisar conceitos históricos e aprofundar nas abordagens de raciocínio com exercícios. | Prática | Autoestudo Guiado | Videoaulas, Listas de Exercícios, Fórum online | Ambiente Virtual |
| 5 (Síncrono) | Agentes Inteligentes: Estrutura e Tipos | Compreender a arquitetura e classificações de agentes inteligentes. | Teórica | Análise de Casos | Slides, Exemplos de Agentes (simulados) | Sala de Aula |
| 6 (Síncrono) | Ambientes de Agentes e Tomada de Decisão | Analisar ambientes e projetar agentes inteligentes que tomam decisões racionais. | Teórica/Prática | Simulação de Cenários | Slides, Ferramentas de Simulação (Ex: NetLogo) | Laboratório |
| 7 (Síncrono) | Representação de Conhecimento: Lógica Proposicional | Representar conhecimento utilizando lógica proposicional para inferência. | Prática | Resolução de Problemas | Slides, Exercícios Lógicos, Ferramentas online | Laboratório |
| 8 (Assíncrono) | Reforço: Agentes e Lógica Proposicional | Praticar a criação de agentes e a representação de conhecimento em lógica. | Prática | Resolução de Desafios | Exercícios Resolvidos, Material Complementar | Ambiente Virtual |
| 9 (Síncrono) | Representação de Conhecimento: Lógica de Predicados | Representar conhecimento mais complexo usando lógica de predicados e quantificadores. | Teórica | Estudo Dirigido | Slides, Exemplos Detalhados, Artigos | Sala de Aula |
| 10 (Síncrono) | Estratégias de Busca: Busca em Largura e Profundidade | Aplicar algoritmos de busca cega para resolver problemas em grafos. | Prática | Hands-on Labs | Slides, Algoritmos em Python (Jupyter) | Laboratório |
| 11 (Síncrono) | Revisão G1 | Reforçar os conteúdos abordados até o momento. | Prática | Resolução de Questões | Exercícios de Fixação | Sala de Aula |
| 12 (Assíncrono) | Reforço: Preparação para G1 | Praticar com mais exercícios e revisar os tópicos mais importantes para a prova. | Prática | Simulados Online | Questões Objetivas, Material de Revisão | Ambiente Virtual |
| 13 (Síncrono) | Prova G1 | Avaliar o conhecimento adquirido nos primeiros encontros. | Avaliação | Prova Individual | Instrumento de Avaliação | Sala de Aula |
| 14 (Síncrono) | Estratégias de Busca Heurística: A* e Gulosa | Empregar algoritmos de busca informada para otimizar a resolução de problemas. | Teórica/Prática | Desafio de Programação | Slides, Implementação em Python (Jupyter) | Laboratório |
| 15 (Síncrono) | Problemas de Satisfação de Restrições (PSR) | Formular e resolver PSR utilizando backtracking e propagação de restrições. | Teórica | Estudo de Casos | Slides, Exemplos de Problemas (Sudoku, N-Queens) | Sala de Aula |
| 16 (Assíncrono) | Reforço: Busca Heurística e PSR | Revisar e aprofundar a compreensão sobre buscas informadas e PSR. | Prática | Análise de Algoritmos | Datasets, Ferramentas de Visualização | Ambiente Virtual |
| 17 (Síncrono) | Introdução ao Aprendizado de Máquina | Entender os conceitos fundamentais do aprendizado de máquina e seus paradigmas. | Teórica | Brainstorming | Slides, Artigos, Exemplos de Aplicações | Sala de Aula |
| 18 (Síncrono) | Aprendizado de Máquina: Regressão e Classificação | Aplicar algoritmos de regressão e classificação de dados. | Prática | Hands-on Lab | Datasets, Python (Scikit-learn, Pandas) | Laboratório |
| 19 (Síncrono) | Revisão G2 | Consolidar todo o conteúdo da disciplina. | Prática | Simulação de Prova | Exercícios de Fixação, Questões Dissertativas | Sala de Aula |
| 20 (Assíncrono) | Reforço: Regressão e Classificação | Praticar a aplicação de algoritmos de regressão e classificação em novos problemas. | Prática | Desenvolvimento Guiado | Tutoriais, Ferramentas online, Exemplos | Ambiente Virtual |
| 21 (Assíncrono) | Áreas de Atuação da IA Clássica | Discutir as aplicações e o impacto da IA Clássica em diversas áreas do conhecimento. | Teórica | Seminário de Aplicações | Slides, Vídeos, Convidados (se possível) | Sala de Aula |
| 22 (Feriado) | ||||||
| 23 (Síncrono) | Prova G2 | Avaliar o conhecimento global adquirido na disciplina (todo o conteúdo). | Avaliação | Prova Individual | Instrumento de Avaliação | Sala de Aula |
| 24 (Síncrono) | Prova Substitutiva / Exame Final | Oportunidade para alunos que perderam a prova ou para exame final (todo o conteúdo). | Avaliação | Prova Individual | Instrumento de Avaliação | Sala de Aula |
Trabalhos Complementares (Não Utilizam Encontros)
- Trabalho Complementar 1: Projeto de Resolução de Problemas com Busca
- Objetivo: Desenvolver uma aplicação prática que utilize algoritmos de busca (cega ou heurística) para resolver um problema complexo (ex: quebra-cabeças, planejamento de rotas).
- Entrega: Código-fonte comentado, relatório técnico com a metodologia e análise de resultados.
- Período: Após o Encontro 10 e antes do Encontro 13.
- Trabalho Complementar 2: Projeto de Machine Learning para Classificação/Regressão
- Objetivo: Implementar um modelo de Machine Learning (regressão ou classificação) em um conjunto de dados real, desde a preparação dos dados até a avaliação do modelo.
- Entrega: Código-fonte, relatório técnico descrevendo o projeto, análise dos resultados e limitações, e uma breve apresentação (vídeo ou slides narrados).
- Período: Após o Encontro 19 e antes do Encontro 23.