Conhecimento e Raciocínio

Conceitos básicos de IA (agentes)

Noções de programação procedimental

– 2 horas teóricas semanais para apresentação de novos conceitos e tópicos da área da inteligência artificial centrados na representação de conhecimento e do raciocínio usando diferentes algoritmos inteligentes. Exposição dos assuntos usando slides e exemplos práticos.
– 2 horas práticas semanais em que os alunos têm a oportunidade de aplicar os conceitos aprendidos na resolução de problemas concretos, usando ferramentas diferentes e vários casos práticos.

Objetivos:
Pretende-se que os alunos adquiram conhecimentos na área dos sistemas inteligentes, nomeadamente nas várias formas de representação de conhecimento e metodologias de raciocínio,  baseados em diferentes algoritmos da área de inteligência artificial, nomeadamente sistemas baseados nem regras, sistemas baseados em caso, sistemas difusos, redes bayesianas, redes neuronais e algoritmos de clustering.

Competências
Conhecimento e compreensão:
• Explicar as principais formas de representação de conhecimento.
• Identificar e explicar os principais tipos de raciocínio inteligente
• Compreender as principais características das diferentes formas de conhecimento e raciocínio e formas de aprendizagem pela máquina e ser capaz de fazer escolhas acertadas e fundamentadas para a resolução de problemas.

Aplicação de conhecimento
• Aquisição e compreensão dos conceitos essenciais à representação do conhecimento em sistemas inteligentes.
• Aquisição e aplicação de conhecimentos sobre o entendimento de várias formas de raciocínio e formas de aprendizagem pela máquina.
• Capacidade para conceber, implementar, e avaliar aplicações inteligentes usando as várias metodologias de conhecimento e raciocínio abordadas.

Comunicação
• Elaborar documentação clara no âmbito do desenvolvimento dos trabalhos práticos, identificando e justificando as principais decisões tomadas.

Autonomia e auto-aprendizagem
• Capacidade de realização de trabalho autónomo e em grupo.
• Desenvolvimento e autonomia na aprendizagem.
• Fomentar a capacidade de propor soluções inteligentes para a resolução de problemas com diferentes características.

1) Formas de representação do conhecimento
2) Raciocinio baseado em regras:
Introdução aos Sistemas Pericias
Generalidades e Princípios Básicos
Regras
Motor de Inferência: Forward e Backward Chaining

3) Raciocínio baseado em casos
O paradigma RBC
Diagrama de Aamodt & Plaza
Representação de Casos e Modelos de Memória
Funções de similaridade

4) Raciocinio Difuso
Introdução a lógica difusa
Conjuntos e números difusos
Computação com termos linguísticos
Inferência de Mamdani

5) Raciocinio probabilistico
Redes Bayesianas
Teorema de Bayes
Probabilidade Conjunta e Condicionada
Construção de Redes Bayesianas
Exemplos de aplicação

6) Raciocínio baseado em aprendizagem automática
Regressão linear
Redes Neuronais
– Percetrão
– Gradient Descent e regra delta
– Redes multicamada
– Algoritmo de BackPropagation
– Outras redes neuronais
Algoritmos de clustering
– Densidade
– Distribuição
– Centroid
– Hierárquicos
– Comparação de vários algoritmos: K-means, DBSCAN, BIRCH, etc

NAO

Bacchus, F. (1990). Representing and reasoning with probabilistic knowledge : a logical approach to probabilities. The MIT Press, ISBN 0-262-02317-2
Cota biblioteca do ISEC: 1A-4-23 (ISEC) – 05769

Jackson, P., (1998). Introduction to Expert Systems (3ª ed.). Boston: Addison-Wesley.
Watson, I., (1997). Applying Case Based Reasoning (1ª ed.). Burlington: Morgan Kaufmann.
Zimmerman, J. (2001). Fuzzy Set Theory and Its Applications (4ª ed.). Heidelberg: Springer

Lenz, M. (1998). Case-based reasoning technology : from foundations to applications, Springer,ISBN 3-540-64572-1
Cota biblioteca do ISEC: 1A-4-104 (ISEC) – 10529

Nguyen , H. T. (1995). Theoretical aspects of fuzzy control. John Wiley, 1995, ISBN 0-471-02079-6
Cota biblioteca do ISEC: 1A-4-56 (ISEC) – 06715

Neapolitan , R. (2004). Learning Bayesian networks, Pearson/Prentice Hall, ISBN 0-13-012534-2
Cota biblioteca do ISEC: 1A-4-166 (ISEC) – 15034

Hosmer, D., Lemeshow, S., May, S. (2008). Applied survival analysis : regression modeling of time-to-event data, Wiley Interscience, ISBN 978-0-471-75499-2
Cota biblioteca do ISEC: 3-3-175 (ISEC) – 14526

Fausett, L. (1994). Fundamentals of neural networks : Architectures, algorithms, and applications, Prentice Hall International, ISBN/ISSN: ISBN 0-13-042250-9
Cota biblioteca do ISEC: 1A-4-52 (ISEC) – 07087

Watt, J. et al (2020). Machine learning refined : foundations, algorithms and applications, Cambridge University Press, ISBN 978-1-108-48072-7
Cota biblioteca do ISEC: 1A-4-200 (ISEC) – 19044