ASPER
Sistemas de Informação Inteligentes I (SII I): 40h
email: asper@fredbf.com
2. PLANEJAMENTO DA DISCIPLINA |
|
|
Aula 1
15/02 |
Apresentação da disciplina e discussão sobre Inteligência X Inteligência Artificial
(1) O que é IA? - artigo em inglês de John McCarthy, em formato de perguntas e respostas, que discute sobre Inteligência Artificial (em DOC)
(2) Jogo dos sapos - documento excel com jogo de raciocínio lógico. Contribua com o site e envie links de jogos de raciocínio ao professor (unibratec@fredbf.com)
(3) Leitura: Capítulo 1 do AIMA (Artificial Intelligente: a Modern Approach) |
|
Aula 2
22/02 |
Vídeos sobre agentes e robótica |
|
Aula 3
01/03 |
Introdução
(1) Conteúdo: História da IA, Sistemas Inteligentes, Correntes de IA, definição, agente racional e modelagem usando agentes |
|
Aula 4
08/03 |
Agentes Inteligentes
(1) Conteúdo: definição, agente racional e modelagem usando agentes |
|
Aula 5
15/03 |
Busca sem Informação (Busca Cega)
(1) Conteúdo: Busca sem Informação, Busca em Largura e Busca por Custo Uniforme, Busca em Profundidade, Profundidade Limitada, Profundidade Interativa |
|
Aula 6
22/03 |
Busca com Informação
(1) Conteúdo: Busca com Informação, Busca Gulosa, Busca A* e Heurística |
|
NP1
29/03 |
Avaliação NP1
(1) Conteúdo: Introdução + Agentes + Busca sem e com Informação (cap 1, 2, 3 e 4)
(2) Fazer Lista de Exercícios 1
|
|
Aula X
05/04 |
Não houve aula – ponto facultativo na ASPER
(1) Obs: iria ser a correção completa da prova |
|
Aula 7
12/04 |
Projeto 1 – Implementação para heurística do jogo da velha
(1) Definição: codificar uma heurística em Java (código-fonte)
(2) Explicação passo-a-passo do projeto (Projeto1.txt) |
|
Aula 8
19/04 |
Busca com Otimização e apresentação do Projeto 1
(1) Conteúdo:
- Parte 1: introdução a problemas de otimização, subida da enconta, têmpera simulada e algoritmos genéticos
- Parte 2 : disputa, em estilo de copa do mundo, entre as heurísticas criadas pelos alunos (adiada por solicitação dos alunos) |
|
Aula 9
26/04 |
Algoritmos Genéticos (AG)
(1) Conteúdo: Definição e Fases de um AG, Problema das Oito Rainhas implementado com AG (código-fonte) |
|
Aula 10
03/05 |
Algoritmos Genéticos (cont.)
(1) Conteúdo: Definição e Fases de um AG, Problema das Oito Rainhas implementado com AG |
|
Aula 11
10/05 |
Exercício de laboratório sobre AG
(1) Conteúdo: modelagem e implementação do problema das 4 rainhas |
|
Aula 12
17/05 |
Exercício de laboratório sobre AG
(1) Conteúdo: modelagem e implementação do problema de coloração de mapas (código-fonte) |
|
Aula 13
24/05 |
Exercício de laboratório sobre AG
(1) Conteúdo: modelagem do problema de alocação de disciplinas (não tivemos tempo de executar essa aula) |
|
Aula 14
31/05 |
Projeto 2 – Alocação de Disciplinas usando um AG
(1) Definição: implementar uma solução para a modelagem apresentada na aula anterior, usando algoritmos genéticos |
|
Aula 15
07/06 |
Projeto 2 – Alocação de Disciplinas usando um AG (cont.)
(1) Definição: continuação
OBS: Feriado
|
|
NP2
14/06 |
Avaliação NP2
(1) Algoritmos Genéticos
(2) Entrega do Projeto
|
|
SUBST.
21/06 |
Prova Substitutiva |
|
FINAL
28/06 |
Prova Final |
|
3. AVALIAÇÕES |
|
- A nota de cada NP é a média ponderada da prova escrita e do projeto
- Na prova escrita, podem constar questões sobre o projeto
- O peso da prova escrita é de 7 (sete), enquanto que o projeto tem peso 3 (três)
- NP1 = prova escrita (peso 7) + projeto 1 (peso 3)
- NP2 = prova escrita (peso 7) + projeto 2 (peso 3)
- A data de entrega final de cada projeto é igual à data da avaliação
- Cada aula de atraso, na entrega do projeto, implica na perda de 1 ponto
- OBS: Resolvi mudar os critérios acima no começo do semestre:
- NP1 = prova escrita (vale 10,0) + bônus1 (projeto1+participação)
- O projeto 1 vale de 2 a 4 pontos, dependendo da qualidade da heurística implementada
- NP2 = prova escrita (vale 10,0) + bônus2 (projeto2+participação)
- O projeto 2 vale de 0 a 2 pontos, dependendo do entendimento do aluno sobre AG
|
|
NP1 |
NP2 |
Média |
Final |
MF |
|
|
|
|
|
|
TOTAL |
Demetrius |
6,0 |
- |
6,0 |
5,2 |
1,0 + 0,0 |
6,2 |
|
5,0 |
|
Emanuela |
1,0 |
- |
1,0 |
- |
- |
- |
|
- |
|
Filipe |
7,0 |
4,0 |
10,0 |
9,8 |
2,0 + 1,0 |
10,0 |
|
- |
|
Gefferson |
0,5 |
- |
0,5 |
4,0 |
1,0 + 0,0 |
5,0 |
|
- |
|
Henrique |
4,0 |
2,0 |
6,0 |
7,0 |
2,0 + 1,0 |
10,0 |
|
- |
|
Johnny |
7,0 |
3,0 |
10,0 |
3,5 |
1,0 + 0,0 |
4,5 |
|
- |
|
José Cláudio |
2,0 |
2,0 |
4,0 |
5,0 |
1,0 + 1,0 |
7,0 |
|
8,8 |
|
Rivaldo |
1,0 |
3,0 |
4,0 |
1,0 |
- |
1,0 |
|
- |
|
Thalles |
2,2 |
3,0 |
5,2 |
3,0 |
- |
3,0 |
|
5,5 |
|
Tiago |
2,3 |
- |
2,3 |
3,0 |
1,0 + 0,0 |
4,0 |
|
0,0 |
|
Wágner |
4,0 |
- |
4,0 |
3,0 |
1,0 + 2,0 |
4,0 |
|
8,5 |
|
Wisley |
- |
2,0 |
2,0 |
4,5 |
1,0 + 0,0 |
5,5 |
|
9,75 |
|
4. BIBLIOGRAFIA |
|
- Russell, S, Norvig, P., Inteligência Artificial, Editora Campus, 2004.
|
|