Inteligência Computacional

Aprovação nas unidades curriculares de:

– Análise Matemática I e II;

– Programação Orientada a Objetos;

– Introdução à Inteligência Artificial;

– Conhecimento e Raciocínio.

A unidade curricular inclui aulas teóricas e aulas práticas. Nas aulas teóricas são apresentadas as metodologias e exemplos de aplicações a casos de estudo. As aulas práticas incidem na implementação prática de algoritmos e acompanhamento da resolução de um projeto e seminário e investigação.

Os alunos são avaliados com base em duas componentes, Teórica (10 valores) e Prática (10 valores).

A componente teórica é avaliada através de um exame escrito.

A avaliação da componente prática é realizada através de dois trabalhos práticos e um trabalho de investigação (seminário:

– Trabalho Prático I – Identificação de um problema e resolução com redes neuronais (2 valores);

– Trabalho Prático II – Desenvolvimento de um aplicação incorporando técnicas de Computação Evolucionária (5 valores);

– Seminário – Trabalho de investigação (3 valores).

Nesta unidade curricular estudam-se os conceitos avançados de Inteligência Computacional, que envolvem essencialmente mecanismos de aprendizagem com redes neuronais, sistemas neuro-difusos, paradigmas de computação evolucionária, “deep-learning” e aprendizagem por reforço.

Os principais objetivos consistem em:

– Adquirir conhecimentos sobre a área de Inteligência Computacional;

– Proporcionar a aplicação de técnicas de inteligência computacional a casos reais;

– Conhecer e aplicar técnicas avançadas de aprendizagem;

– Conhecer e aplicar algoritmos complexos de resolução de problemas.

As principais competências a adquirir consistem:

– Conhecer os principais paradigmas da inteligência Computacional;

– Analisar um problema, identificar as suas características e estratégias de resolução;

– Reconhecer as vantagens e limitações da utilização de algoritmos de resolução de problemas;

– Potenciar o desenvolvimento autónomo de novas estratégias avançadas de resolução de problemas.

1. Introdução à Inteligência Computacional:

– Visão Geral, Metodologias e Aplicações;

– Análise de problemas reais;

– Mecanismos de aprendizagem.

2. Aprendizagem Automática.

3. Paradigmas de Computação Evolucionária e Inteligência Coletiva:

– Particle Swarm Intelligence (PSO) e Variantes;

– Ant Colony Optimization.

4. Tópicos Avançados de Sistemas Neuro-Difusos.

5. Deep-Learning.

6. Aprendizagem por reforço.

NAO

Principal:

– Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. ” O’Reilly Media, Inc.”. 1A-4-197 (ISEC) – 18236

Complementar:

– Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. ” O’Reilly Media, Inc.”.

– Shah, C. (2022). A hands-on introduction to machine learning. Cambridge University Press.

– Engelbrecht, A. P. (2007). Computational intelligence: an introduction. John Wiley & Sons. 1A-4-182 (ISEC) – 16371

– Panigrahi, B. K., Shi, Y., & Lim, M. H. (Eds.). (2011). Handbook of swarm intelligence: concepts, principles and applications (Vol. 8). Springer Science & Business Media.

– Haykin, S., & Network, N. (2004). A comprehensive foundation. Neural networks, 2(2004), 41.