Artificial Intelligence

Objectives

Knowledge
  • Paradigms, areas and applications of Artificial Intelligence.
  • Blind, informed and local search algorithms. Heuristics and evaluation functions. Complexity.
  • Inference in propositional logic, first order logic and Bayesian networks. Limitations.
  • Planning languages and algorithms for plan generation.
  • Learning approaches and its essential algorithms.
Application
  • Model search problems, specify heurisitics and assess its behaviour in practice.
  • Implement search algorithms. Parameterise and experiment with the algorithms.
  • Model and solve problems with Logic Programming.
  • Model knowledge with Bayesian networks. Perform predictive and diagnosis tasks.
Soft-Skills
  • Choose appropriately instruments weighing the solution quality against the time/space necessary to obtain it.
  • Justify or choose solutions.
  • Do team work with report writing and deadline fulfillment.
  • Abstract modelling capabilities.

General characterization

Code

1712

Credits

6.0

Responsible teacher

João Alexandre Carvalho Pinheiro Leite

Hours

Weekly - 5

Total - 69

Teaching language

Português

Prerequisites

Available soon

Bibliography

The adopted book is [Stuart Russell & Peter Norvig, 2010].

Some topics are covered only in [Costa & Simões, 2008].

The remaining books are optional readings.

Adopted

  • Stuart Russel and Peter Norvig. Artificial Intelligence. A Modern Approach, 3rd edition. Prentice-Hall, Inc., 2010.
  • E. Costa e A. Simões. Inteligência Artificial. Fundamentos e Aplicações. 2nd Edition, FCA, 2008.
  • L. Sterling and E. Shapiro. The Art of Prolog (2nd Ed.). MIT Press, 1994.

Complementary

  • Matt Ginsberg. Essentials of Artificial Intelligence. Morgan Kaufmann, 1994
  • Nils J. Nilson. Artificial Intelligence: A new synthesis. Morgan Kaufmann, 1998
  • I. Bratko. Prolog Programming for Artificial Intelligence, 3rd Edition, Pearson-Education, 2001.
  • P. Blackburn, J. Bos, e K. Striegnitz. Learn prolog Now! College Publications, 2006.

Teaching method

Available soon

Evaluation method

Avaliação

A unidade curricular tem duas componentes de avaliação que contribuem para a aprovação e classificação final:

  • Componente de Avaliação Teórico-Prática
  • Componente de Avaliação Sumativa

Componente de Avaliação Teórico-Prática

Poderá ser realizada através de dois testes teórico-práticos, em datas a indicar no CLIP, contribuíndo os dois testes com peso igual para a nota desta componente. Poderá ainda ser realizada através de um exame na época de recurso, em data a indicar no CLIP. A componente de avaliação Teórico-Prática, bem como a cada uma das suas partes (testes e exame), é classificada com uma nota de 0-20 valores, arredondada à primeira casa decimal.

Componente de Avaliação Sumativa

Para esta componente da avaliação contribuirá o desempenho dos alunos nas aulas práticas, incluindo a assiduídade, a participação activa nas tarefas dadas (exercícios de modelação, de implementação, etc.), e a resposta a pequenos questionários (quizz). A componente de avaliação sumativa é classificada com uma nota de 0-20, arredondada à primeira casa decimal.

Condições para Aprovação e Classificação Final

Para se obter aprovação à unidade curricular exige-se, cumulativamente, uma classificação não inferior a 9.5 valores na componente de avaliação Teórico-Prática e uma classificação final não inferior a 10 valores, sendo esta obtida através da média ponderada das duas componentes de avaliação, arredondada às unidades, com os seguintes pesos relativos:

  • Componente de Avaliação Teórico-Prática: 70%
  • Componente Sumativa: 30%

Notas de trabalhos realizados em edições anteriores

As notas da componente prática desta disciplina obtidas nos anos lectivos de 2012/2013 a 2018/2019 são válidas para a componente de avaliação Sumativa deste ano. Os alunos que pretendam manter a nota desta componente não se poderão inscrever em turnos práticos.

Subject matter

Theory:

1.Overview of Artificial Intelligence and its applications

2.Problem-­solving

2.1.Search agents and search problems.

2.2.Blind search.

2.3.Heuristic search in state-­space graphs. A* algorithm.

2.4.Local search and optimisation problems.

2.5.Adaptative agents.

2.6.Constraint Satisfaction Problems.

2.7.Adversarial search.

3.Knowledge Representation and Reasoning

3.1.Propositional logic.

3.2.First-­order logic.

3.3.Logic programming

4.Planning

4.1.Logical representation of classical planning problems.

4.2.Planning languages and algorithms. Partial order planning.

4.3.GRAPHPLAN

5.Uncertainty and probabilistic reasoning

5.1.Probability theory and Bayes'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''' rule.

5.2.Bayesian networks.

6.Machine Learning

6.1.Learning agents. Approaches to the learning problem.

6.2.Conceptual and inductive learning.

6.3.Neuronal networks.

7.Conclusion

Labs:

Informed Search
Local Search
Adverserial Search
Logic Programming
Planning
Uncertainty and Proabilistic Reasoning
Automated Learning