UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO

PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO

Rua Dom Manoel de Medeiros, s/n – Dois Irmãos 52171-900 Recife-PE
Fone: 0xx-81-332060-40 proreitor@preg.ufrpe.br

PLANO DE ENSINO

I – IDENTIFICAÇÃO
CURSO: Bacharelado em Sistemas de Informação
MODALIDADE: Presencial
DISCIPLINA: Introdução à Inteligência Artificial
PRÉ-REQUISITO:
( ) OBRIGATÓRIA ( X ) OPTATIVA
DEPARTAMENTO: Estatística e Informática
PROFESSOR RESPONSÁVEL: Rodrigo Gabriel Ferreira Soares
Ano: 2017
Semestre Letivo: ( ) Primeiro ( X ) Segundo
Total de Créditos (se for o caso): 04
Carga Horária: 60

II - EMENTA (Sinopse do Conteúdo)

Aprendizado de máquina. Agentes inteligentes. Resolução de problemas por meio de
busca. Problema de satisfação de restrições. Lógica proposicional. Tópicos avançados:
sistemas multiagentes; algoritmos evolutivos; percepção computacional; representação do
conhecimento; planejamento; ética e fundamentos filosóficos da Inteligência Artificial; outros
tópicos de Inteligência Artificial.

III - OBJETIVOS DA DISCIPLINA

Apresentar conceitos básicos de Inteligência Artificial e despertar o interesse dos alunos em
resolver problemas fracamente definidos com algoritmos inteligentes.

IV - CONTEÚDO PROGRAMÁTICO
1. Introdução

2. Busca

3. Lógica

4. Sistemas especialistas

5. Sistemas Multiagentes

6. Aprendizado de Máquina

7. Algoritmos evolutivos
V – MÉTODOS DIDÁTICOS DE ENSINO

( X ) Aula Expositiva
( X ) Seminário
( X ) Leitura Dirigida
( X ) Demonstração (prática realizada pelo Professor)
( X ) Laboratório (prática realizada pelo aluno)
( ) Trabalho de Campo
( X ) Execução de Pesquisa
( ) Outra. Especificar:

VI - CRITÉRIOS DE AVALIAÇÃO
As datas previstas para as avaliações são dadas no cronograma, podendo haver mudanças
conforme necessidade da turma. A composição das notas é formada por:

NOTA 1ª V.A.: Projeto prático, valendo 100% da nota.

NOTA 2ª V.A.: Projeto incremental, valendo 100% da nota.
NOTA 3ª V.A.: Projeto incremental, valendo 100% da nota.
PROVA FINAL: Projeto incremental valendo 100% da nota.

As aulas são obrigatórias, e a frequência será acompanhada.

CRONOGRAMA
AULA DATA CONTEÚDO
1 05/10/2017 Apresentação da disciplina.
06/10/2017 Introdução a algoritmos inteligentes.
2
Representação de problemas.
3 19/10/2017 Introdução a grafos.
20/10/2017 Métodos de busca: em largura,
4
profundidade e informada.
26/10/2017 Métodos de busca: em largura,
5 profundidade e informada.
27/10/2017 Outros métodos de busca: subida de
6
encosta, busca tabu, simulated annealing.
09/11/2017 Outros métodos de busca: subida de
7
encosta, busca tabu, simulated annealing.
10/11/2017 Lógica proposicional. Introdução à lógica
8
de predicados.
16/11/2017 Introdução a sistemas baseados em
9
conhecimento. Sistemas especialistas.
10 17/11/2017 Sistemas especialistas. Sistemas fuzzy.
11 23/11/2017 Introdução a agentes inteligentes
12 24/11/2017 Introdução a Sistemas Multiagentes.
13 30/11/2017 Introdução a Sistemas Multiagentes.
14 01/12/2017 1a VA. Apresentação de projetos.
15 07/12/2017 1a VA. Apresentação de projetos.
16 14/12/2017 Introdução ao Aprendizado de Máquina:
Indução, Conceitos, Instâncias, e
Atributos.
15/12/2017 Aprendizado supervisionado. K vizinhos
17
mais próximos.
18 21/12/2017 Árvores de decisão.
19 22/12/2017 Redes neurais.
20 28/12/2017 Redes neurais.
21 29/12/2017 Máquinas de vetores suporte.
22 04/01/2018 Validação de métodos supervisionados.
05/01/2018 Introdução ao Aprendizado não
23 supervisionado. Algoritmo k-médias.
11/01/2018 Algoritmos de agrupamento hierárquicos.
24 Validação de métodos não
supervisionados.
12/01/2018 Introdução a algoritmos evolutivos.
25
Algoritmos genéticos e meméticos.
18/01/2018 Introdução a algoritmos evolutivos.
26
Algoritmos genéticos e meméticos.
27 19/01/2018 Acompanhamento de projetos.
28 25/01/2018 2a VA. Apresentação dos projetos.
29 26/01/2018 2a VA. Apresentação dos projetos.
01/02/2018 3a VA. Apresentação de projetos para 3a
30
VA.
08/02/2018 Prova final. Apresentação de projetos
31
para prova final.
VIII – BIBLIOGRAFIA

BÁSICA:
1. RUSSELL, Stuart J; NORVIG, Peter. Inteligência artificial. Rio de Janeiro, RJ:
Elsevier, 2004.
2. LUGER, George F; ENGEL, Paulo Martins (Trad). Inteligência artificial: estruturas e
estratégias para a resolução de problemas complexos. 4.ed. Porto Alegre, RS:
Bookman, 2004.
3. HAYKIN, Simon. Redes neurais: princípios e práticas. 2. ed. Porto Alegre: Bookman,
2007.

COMPLEMENTAR:
4. BISHOP, Christopher M. Pattern recognition and machine learning. New York:
Springer, 2006.
5. DUDA, Richard O; HART, Peter E; STORK, David G. Pattern classification. 2nd ed.
New York, N.Y: John Wiley & Sons, 2001.
6. THEODORIDIS, Sergios; KONSTANTINOS, Koutroumbas. Pattern recognition. 4th
ed. Burlington, Mass.: Elsevier, 2009.
7. BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR,
Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. 2. ed. Rio de Janeiro:
LTC, 2007.
8. WITTEN, I. H; FRANK, Eibe; HALL, Mark A. Data mining: practical machine learning
tools and techniques.3rd ed. Burlington, MA:Elsevier/Morgan Kaufmann, 2011.

Recife, 2 de outubro de 2017.

Rodrigo Gabriel Ferreira Soares

Professor Responsável