Sistemas Inteligentes de Apoio à Decisão
Objetivos
O objectivo desta unidade curricular é ensinar aos alunos os fundamentos teóricos de inteligência artificial, de arquitectura de sistemas e das principais abordagens usadas em sistemas inteligentes. É dada particular ênfase aos princípios básicos do raciocínio aproximado com base em lógica difusa (fuzzy) e da sua aplicação à modelação, controlo e decisão, combinando dados qualitativos e quantitativos. Os casos de estudo reflectem situações de tomada de decisão em ambiente de incerteza e/ou complexidade no contexto da Engenharia Industrial.
Caracterização geral
Código
10612
Créditos
3.0
Professor responsável
Isabel Maria Nascimento Lopes Nunes, Pedro Emanuel Botelho Espadinha da Cruz
Horas
Semanais - 2
Totais - 36
Idioma de ensino
Português
Pré-requisitos
Não tem.
Bibliografia
R. Sharda, D. Delen, e E. Turban, Analytics, data science, & artificial intelligence, Eleventh edition. Hoboken, NJ: Pearson, 2020.
J. Gama, A. P. de L. Carvalho, K. Faceli, A. C. Lorena, e M. Oliveira, Extração de Conhecimento de Dados, 3aEdição. Edições Sílabo, 2017.
V. Kotu e B. Deshpande, Predictive analytics and data mining: concepts and practice with RapidMiner. Amsterdam: Elsevier/Morgan Kaufmann, 2015.
M. Hofmann e R. Klinkenberg, Eds., RapidMiner: Data Mining Use Cases and Business Analytics Applications, 0 ed. Chapman and Hall/CRC, 2016. doi: 10.1201/b16023.
M. Sànchez-Marrè, Intelligent Decision Support Systems. Cham: Springer International Publishing, 2022.
T. J. Ross, Fuzzy Logic with Engineering Applications, 4th Edition. Wiley, 2017.
Método de ensino
Aulas de 2h, regime teórico-práticas. Exposição oral de conceitos, apoiada em materiais pedagógicos multimédia e acompanhado de aplicação a casos concretos onde os alunos intervêm individualmente ou em grupo.
Método de avaliação
Método de Avaliação:
- 2 Trabalho práticos (TP1 e TP2) para avaliação – grupos 3-4 alunos - a avaliação individual de cada aluno, depende da discussão do trabalho prático.
- 1 Teste em Moodle (T) - 30%
Fórmula de cálculo da nota final:
- Nota Final = 30% T + 30% TP1 + 40 %TP2
A aprovação à unidade curricular exige as seguintes notas mínimas:
(T >= 9,5 V) AND (TP1,TP2 >= 9,5 V)
Para obtenção de frequência (obrigatória) os estudantes devem realizar 2 trabalhos práticos com avaliação igual ou superior a 9,5 valores (TP1 e TP2).
Exame Recurso - no caso em que os alunos que obtiveram notas positivas nos trabalhos práticos e não obtiveram aprovação no teste escrito poderão ainda realizar este exame, cuja nota substituirá a nota do teste no cálculo da nota final.
Conteúdo
1. Introdução à Inteligência Artificial (IA)
1.1. Paradigmas da IA
1.2. A IA no apoio à decisão
2. Sistemas de Apoio à Decisão (DSS) e Sistemas Inteligentes de Apoio à Decisão (SIAD)
2.1. Teorias e modelos de decisão
2.2. Evolução dos DSS e IDSS
2.3. Tipos de IDSS
2.4. Arquiteturas dos DSS e IDSS
3. Sistemas Periciais (ES)
3.1. Arquitetura e components dos ES
3.2. Modelos de Gestão do Conhecimento
3.3. Processo de Engenharia do Conhecimento
3.4. Programação de ES com recurso a shells
4. Extração de Conhecimento a partir de Dados
4.1. Métodos de aprendizagem
4.2. Indução de hipóteses, viés indutivo e viés de representação
4.3. Algoritmos supervisionados e não supervisionados
4.4. Árvores de Decisão (algoritmos ID3 e ID4.5)
4.5. Indução de regras e algoritmos e conversão de árvores de decisão em regras (tree to rules)
4.6. Regras de associação
4.7. Análise de texto (TF-IDF, processamento de texto, classificação de documentos)
4.8. Avaliação de desempenho de algoritmos
4.9. Métodos ensemble
5. Raciocínio aproximado com base em Lógica Difusa
5.1. Fundamentos da Lógica Difusa
5.2. Conjuntos difusos e funções de pertença
5.3. Operadores difusos e raciocínio baseado em regras
5.4. Inferência difusa – métodos de Mamdani e Sugeno
5.5. Conceção de sistemas difusos para apoio à decisão
6. Aplicações em Engenharia e Gestão Industrial