Inteligência Artificial

Ficha de Unidade Curricular – 1º Ciclo

Unidade Curricular / Curricular Unit
Artificial Intelligence

Ciclo de Estudos / Study Cycle
1º ciclo/1st cicle

Nome do Docente Responsável
Manuel Pita

João Nuno Correia

Objectivos de aprendizagem (conhecimentos, aptidões e competências a desenvolver pelos estudantes)
Esta cadeira apresenta os conceitos e técnicas básicas dum experto em inteligência artificial, com uma abordagem pragmática no sentido de usar IA para resolver problemas. Os objetivos de aprendizagem são

– Entender a origem de IA na maquina de Turing, e nas redes de McCulloch and Pitts
– Entender a estrutura minima duma maquina que processa informação  simbólica ou não simbólica.
– Entender e implementar Agentes baseados em BUSCA (não informada, informada e escolástica)
– Desenho e avaliação de sistemas de representação de conhecimento
– Uso de ferramentas básicas de analise estatística  de dados
– Uso de ferramentas básicas de Machine Learning
– Visualização de informação
– Computação inspirada da biologia.

Intended learning outcomes (knowledge, skills and competences to be developed by the students)
This course introduces the basic concepts of artificial intelligence, as well as the essential toolbox of the AI practitioner. The focus is very pragmatical in the sense of equipping students with clear procedures to solve problems using AI. The key learning goals are:

– Understand the origins of AI in the Turing machine and the neural networks of McCulloch and Pitts.
– Understand de minimal structure of a machine that process information, as symbols, or connection patterns.
– Understand and implement search agents (using uninformed, informed and stochastic search).
– Design and evaluation of knowledge representation systems.
– Use of statistical data analysis tools.
– Use of basic Machine learning concepts and tools.
– Information visualisation.
– Bio-inspired computation.

Conteúdos programáticos
Tema 1. Basic concepts
– As tentativas de definir IA
– A Máquina de Turing
– As redes neuronais de McCulloch and Pitts
– Os Agentes em IA

Tema 2: Busca.
– Espaços de busca e grafos
– Busca não informada
– Busca informada
– A*
– Busca estocástica
– Algoritmos genéticos

Tema 3: IA e Data Science
– Pensar com dados
– Classificação , Regressão  e Agrupamento
– Visualização de informação

Tema 4: Computação inspirada na biologia e sistemas complexos
– Ciencia das redes
– Processamento de informação em coletivos
– Redes bioquímicas e sociais

Tema 5: O futuro de IA
– Analise critica de artigos recentes em IA

Syllabus
Theme 1. Basic concepts
– Defining AI
– Turing Machines
– The neural networks of McCulloch and Pitts
– AI as Agents

Theme 2: Search.
– Search spaces and graphs
– Uninformed Search
– Informed Search
– A*
– Stochastic Search
– Genetic Algorithms

Theme 3: AI and Data Science
– Thinking with data
– Classification, Regression and Clustering
– Visualising information

Theme 4: Bio-inspired Computation and Complex Systems
– Basics of network science
– Collective information processing
– Biochemical and social networks

Theme 5: The future of AI
– Critical analysis of recent AI articles

Demonstração da coerência dos conteúdos programáticos com os objectivos de aprendizagem da unidade curricular
Neste curso, a coerência entre unidades curriculares e resultados de aprendizagem é demonstrada de forma direta. O curso é dividido em unidades destinadas a equipar os alunos com o que constitui cada um dos resultados pretendidos de aprendizagem. O planejamento do curso considera os componentes teóricos e práticos.

Evidence of the syllabus coherence with the curricular unit’s intended learning outcomes
In this course the coherence between curricular units and learning outcomes is demonstrated in a direct mapping fashion. The course is broken down into units aimed at equipping students with what constitutes each of the intended learning outcomes. The planning of the course considers both the theoretical and practical components.

Metodologias de ensino (avaliação incluída)
Aulas presenciais onde os conteúdos são apresentados no contexto de problemas específicos que são resolvidos durante a aula. Cada tema tem um conjunto de “notebooks” que apresentam o material deixando elementos a ser preenchidos pelos estudantes, e validados durante as aulas.

A avaliação e feita de forma continua nas sessões praticas. Formalmente temos testes de meio termo constituídos por (1) exame escrito (2) apresentação oral e (3) implementação pratica para avaliar os temas 1 e 2. Estes métodos são usados novamente no final do curso para avaliar os conteúdos dos últimos três temas.

Teaching methodologies (including assessment)
Presential classes where the contents are presented in the context of specific problems that are solved during the class. Each theme has a set of “notebooks” that present the material leaving elements to be filled out by students, and validated during class.

The evaluation is done continuously in the practical sessions. Formally we have mid-term tests consisting of (1) written exam (2) oral presentation and (3) practical implementation to evaluate subjects 1 and 2. These methods are used again at the end of the course to evaluate the contents of the last three subjects.

Demonstração da coerência das metodologias de ensino com os objectivos de aprendizagem da unidade curricular
A metodologia de ensino evoluiu para ser, para este tema, constituída por uma coleção de pequenas unidades. É quase como uma coleção de cinco minicursos, que de alguma forma alimentam-se us uns aos outros. Entender os fundamentos da inteligência artificial pode se sentir como uma tarefa assustadora para muitos estudantes, dado o fato de que é uma ciência naturalmente multi-disciplinar, feita de muitos temas e habilidades diferentes. Neste curso tentamos quebrar os conteúdos  em unidades separadas ??quase auto-suficientes, onde cada uma é parte de um tema maior.

As aulas orientadas para a solução de problemas também são um mecanismo usado para garantir que os resultados de aprendizagem sejam alcançados por cada aluno. Ao invés de aprender conceitos teóricos desconectados, nós nos concentramos em resolver problemas e entender a teoria como derivações das partes de soluções implementadas.

Também implementamos a técnica de fornecer cadernos incompletos para forçar os alunos a preencher alguns detalhes com o que eles entenderam em sala de aula, validando isso mais tarde durante sessões práticas. Isto é destinado a aumentar o envolvimento e aprendizagem gradualmente ao invés de apenas aprender a passar um exame.

Evidence of the teaching methodologies coherence with the curricular unit’s intended learning outcomes
The teaching methodology has evolved to be, for this subject, made of a collection of small units. It is almost like a collection of five mini courses, which in some way feed each other. Understanding the basics of Artificial intelligence can feel like a daunting task for many students given the fact that it is a naturally multi-disciplinary science, made of many different themes and skills. In this course we try to break the basics down into manageable almost self-contained units, where each is part of a larger theme.

Problem-solving oriented lectures are also a mechanism use to ensure that the learning outcomes are achieved by every student. Rather than learning disconnected theoretical concepts, we focus on solving problems and understanding the theory as derivations of the parts of implemented solutions.

We also implement the technique of providing incomplete notebooks to force students to fill in some details with what they understood in class, validating this later during practical sessions. This is aimed at increasing engagement and learning gradually rather than just learning to pass a exam.

Bibliografia Principal / Main Bibliography
– Russell, S., Norvig, P., & Intelligence, A. (1995). A modern approach. Artificial Intelligence. Prentice-Hall, Egnlewood Cliffs, 25, 27.

– Davis, R., Shrobe, H., & Szolovits, P. (1993). What is a knowledge representation?. AI magazine, 14(1), 17.

– R For Data Science http://r4ds.had.co.nz

– Mitchell, M. (1998). An introduction to genetic algorithms. MIT press.

– Mitchell, M. (2006). Complex systems: Network thinking. Artificial Intelligence, 170(18), 1194-1212.