Back to main page Research Interests Teaching Publications Contact me Search the site

Página da disciplina MC906 - A


Material das Aulas | Material de Apoio | Defesas dos Trabalhos | Trabalhos Práticos


Apresentação

Professor: Anderson Rocha

Turma Dia Horário Sala
A Terça 14-15:40 CB05
Quinta 14-15:40 CB05


Atendimento: Agendar por e-mail com 24 horas de antecedência.

Avisos:


14/07/2011 As notas finais incluindo o exame estão disponíveis (Notas).

13/06/2011 As notas finais incluindo a prova já estão disponíveis (Notas).
13/06/2011 As notas já estão disponíveis (Notas).
7/06/2011 A lista de exercícios está disponível.
12/04/2011 A descrição e atividades to trabalho individual estão disponíveis.
22/02/2011 A descrição geral e ementa da disciplina estão disponíveis.


Material das aulas

Aula #1:2 -- Apresentação da disciplina. Ementa do curso e avisos pertinentes. 184 KB

(PDF)

Aula #3:4 -- Introdução à IA. Conceitos iniciais, Fundamentos de IA, História, Estado da Arte.
Leitura recomendada: AIMA2e, Cap. #1: Introdução.
98 KB

(PDF)

Aula #5:6 -- Agentes Inteligentes. Agentes, Ambientes, Natureza dos Ambientes, Estruturas de Agentes.
Leitura recomendada: AIMA2e, Cap. #2: Agentes Inteligentes.
110 KB

(PDF)

Up

Aula #7:8 -- Resolvendo problemas por busca. Agentes do tipo problema/resolução, Exemplos de problemas, Busca por soluçõoes, Busca não informada (BFS, Uniforme, DFS, DLS, IDS, Bidirecional).
Leitura recomendada: AIMA2e, Cap. #3: Resolvendo problemas por busca.
291 KB

(PDF)

Aula #9:10 -- Busca informada e exploração. BFS, A* e variações, RBFS, Heurísticas
Leitura recomendada: AIMA2e, Cap. #4: Busca informada e exploração, Seções 1 e 2.
131 KB

(PDF)

Aula #11:12 -- Busca informada e exploração. (1) Algoritmos de busca local: Hill Climbing (HC), Stochastic Hill Climbing (SHC), First Choice Hill Climbing (FCHC), Random-Restart Hill Climbing (RRHC), Simulated Annealing (SA), Local Beam Search (LBS), Stochastic Beam Search (SBS), Genetic Algorithms (GAs). (2) Busca local em espaços contínuos.
Leitura recomendada: AIMA2e, Cap. #4: Busca informada e exploração, Seções 3 e 4.
102 KB

(PDF)

Up

Aula #13:14 -- Busca competitiva (Jogos). (1) Jogos, decisões e estratégias ótimas em jogos, algoritmos de (a) minimax, (b) alfa-beta pruning. (2) Decisões mediante recursos limitados, funções de avaliação, estratégias de corte (cutoff)
Leitura recomendada: AIMA2e, Cap. #6: Busca Competitiva.
160 KB

(PDF)

Aula #15:16 -- Busca com Satisfação de Restrições. (1) Problemas CSP; (2) Backtracking; (3) Algoritmos de melhorias e inferência; (4) Busca local para CSPs
Leitura recomendada: AIMA2e, Cap. #5: Problemas de Satisfação de Restrições.
369 KB

(PDF)

Aula #17:18 -- Computação Evolutiva. (1) Computação Evolutiva; (2) Estratégias evolutivas; (3) Programação evolutiva; (4) Algoritmos genéticos; (5) Programação genética
Leitura recomendada: Computação Evolutiva: uma abordagem pragmática.
1,7 MB

(PDF)

Up

Aula #19:20 -- Aprendizado de Máquina. (1) Introdução e conceitos iniciais (2) Agentes baseados em aprendizado; (3) Aprendizado indutivo; (4) Performance em aprendizado de máquina; (5) Classificador: Árvores de decisão;
Leitura recomendada: AIMA2e, Cap. #18: Learning from Observations.
139 KB

(PDF)

Aula #21:22 -- Aprendizado de Máquina. (1) Introdução e conceitos iniciais (2) Classificação supervisionada; (3) Regressão supervisionada; (4) aprendizado não supervisionado (5) Classificador: K-Vizinhos (KNN)

** Slides by Andrew Zisserman - Oxford Univ., with author's permission **

Leitura recomendada: PRML, Cap. #7: Sparse Kernel Machines, Secs. 7.1.1, 7.1.2, 7.1.3
2,4 MB

(PDF)

Aula #23:24 -- Aprendizado de Máquina. (1) Classificador: Support Vector Machines (SVMs) - Caso Primal (2) SVMs lineares com margens restritas (3) SVMs lineares com margens suaves (4) Aplicação: Reconhecimento de pedestres

** Slides by Andrew Zisserman - Oxford Univ., with author's permission **

Leitura recomendada: PRML, Cap. #6: Kernel Methods, Secs. 6, 6.1, 6.2 e Cap. #7: Sparse Kernel Machines, Secs. 7.1.1, 7.1.2, 7.1.3
692 KB

(PDF)

Up

Aula #25:26 -- Aprendizado de Máquina. (1) Classificador: Support Vector Machines (SVMs) - Caso Dual (2) SVMs não lineares (3) Kernel trick

** Slides by Andrew Zisserman - Oxford Univ., with author's permission **

Leitura recomendada: PRML, Cap. #6: Kernel Methods, Secs. 6, 6.1, 6.2 e Cap. #7: Sparse Kernel Machines, Secs. 7.1.1, 7.1.2, 7.1.3
360 KB

(PDF)

Aula #27:28 -- Aprendizado de Máquina. (1) Aprendizado não supervisionado (2) Redução de dimensionalide (3) Análise de componentes principais (PCA)

** Slides by Andrew Zisserman - Oxford Univ., with author's permission **

Leitura recomendada: PRML, Cap. #12: Continuous Latent Variables, Secs. 12.1.1--12.1.4

Leitura complementar Tutorial PCA #1 | Tutorial PCA #2
1,6 MB

(PDF)

Aula #29:30 -- Aprendizado de Máquina. (1) Aprendizado não supervisionado (2) K-Means (3) Gaussian Mixture Models (GMMs) (4) Expectation-Maximization (EM)

** Slides by Andrew Zisserman - Oxford Univ., with author's permission **

Leitura recomendada: PRML, Cap. #9: Mixture Models and EM, Secs. 9.1 e 9.2
1,3 MB

(PDF)

Up

Aula #31:32 -- Quantificação de Incerteza. (1) Agindo em ambientes incertos (2) Notação básica de probabilidade (3) Axiomas de probabilidade (4) Inferência utilizando funções de probabilidade conjunta completas (5) Independência e independência condicional (6) Teorema de Bayes

Leitura recomendada: AIMA, Cap. #13: Uncertainty
139 KB

(PDF)

Aula #33:34 -- Apresentação de Seminários #1.

(1) Aplicativo de Foto-Chamada
Everton Santos, Luiz Claudio Carvalho e Talita Roberti

(2) Busca de amigos por foto no Facebook
Carlos Machado, Douglas Germano e Tiago Silva

(3) Reconhecimento de caracteres matemáticos manuscritos em Latex
Daniel Biscalchin, Daniel Parrode e Marcelo Póvoa

Aula #35:36 -- Redes Neurais e Aplicações. (1) Funcionamento do cérebro; (2) Redes Neurais (3) Perceptrons (4) Multilayer Perceptrons (5) Aplicações de Redes Neurais

Leitura recomendada: AIMA, Cap. #20: Statistical Learning Methods, Sec. #5
315 KB

(PDF)

Up

Aula #37:38 -- Aplicações de Redes Neurais e Reconhecimento de Faces. (1) Sistema de navegação baseado em redes neurais (ALVINN); (2) Reconhecimento de faces e métodos de aprendizado de máquina para visão computacional

Leitura recomendada: AIMA, Cap. #20: Statistical Learning Methods, Sec. #5 e também ML Tom Mitchel, Cap. #4: Artificial Neural Networks

Observação: Os slides da apresentação do Dr. William Schwartz serão enviados por e-mail por questões de copyright.

4,2 MB

(PDF)

Aula #39:40 -- Esclarecimento de dúvidas sobre o trabalho prático

Aula #41:42 -- Apresentação de Seminários #2.

(4) Classificador de Gêneros Musicais
Diego Francisco, Marcelo Matsumoto, Pedro Feniman e Pedro Tabacof

(5) Reconhecimento de padrões de autoria em texto
Eddy Nakamura, Felipe Guaycuru, Jorge Hongo e Marcel Carlos

(6) Reconhecimento de marcas de veículos
Claudio Basckeira, Andre Bonna, Richard Keller e Felipe Lourenço

Up

Aula #43:44 -- Apresentação de Seminários #3.

(7) Resolvedor de Sudoku
Daniel P. B. Silva, Frederico Von Zuben, Gustavo Oliveira e André Resende

(8) Classificação de faces em vídeos
João Maggiotto, Gabriel Lima e Oliveira, Murilo F. Vicentini e Renato Rivas

(9) Resolvedor de N-Rainhas
Vitor Ricci

Aula #45:46 -- Processamento de Linguagem Natural.

Leitura recomendada: AIMA, Cap. #21: Communication
119 KB

(PDF)

Aula #47:48 -- Apresentação de Seminários #4.

(10) Resolvedor de Jogo de Damas
Hector Rojas

(11) Sistema de Agentes para Jogos Eletrônicos
Vinicius Gardelli, Andre Alves e Carlos H. R. Araújo

(12) Flowshop
Vitor Iha, Ricardo Miranda, Filipe Oshiro e Fabiano F. de Oliveira

Up

Aula #49:50 (Primeira Parte) -- Apresentação de Seminários #5.

(13) Resolvedor de Sokoban
Alex Cremonezi e Flavio Kodama

Aula #49:50 (Segunda Parte) -- Discussão das regras do trabalho prático em grupo e avaliação do curso.

Aula #51:52 -- Classificador Bayesiano Ingênuo (Naive Bayes).
Leitura recomendada:

Up

Aula #53:54 -- Discussão e tira-dúvidas sobre o trabalho prático em grupo.

Aula #55:56 -- Redes Bayesianas I. Sintaxe, Semântica, Distribuições parametrizadas
Leitura recomendada: AIMA2e, Cap. #14: Probabilistic Reasoning, Secs. 1-3.
233 KB

(PDF)

Aula #57:58 -- Redes Bayesianas II. Inferência por enumeração, Inferência por eliminação de variáveis, Inferência aproximada
Leitura recomendada: AIMA2e, Cap. #14: Probabilistic Reasoning, Secs. 4-5.
180 KB

(PDF)

Up

Aula #59:60 -- Aula de Exercícios.

Aula #61:62 -- Avaliação final.

Up

Material de Apoio

Lista de exercícios - AIMA2e

(1) Os exercícios são para treinamento e estão no nível daqueles que cairão na P1.

(2) Os exercícios passados em sala considerando o livro AIMA3e podem ser um pouco diferentes da lista a seguir.


  • Cap. 1:
    1.1, 1.4, 1.10;
  • Cap. 2:
    2.1, 2.2, 2.3;
  • Cap. 3:
    3.1, 3.5, 3.6, 3.9, 3.13, 3.14;
  • Cap. 4:
    4.1, 4.2, 4.3;
  • Cap. 5:
    5.1, 5.2, 5.3, 5.8;
  • Cap. 6:
    6.1, 6.14, 6.15;
  • Cap. 13:
    13.6, 13.8, 13.10
  • Cap. 14:
    14.2;
  • Cap. 18-20:
    18.1, 18.5, 18.7;

  • Lista da parte de Aprendizado de Máquina
    Exercícios baseados na matéria do PRML de C. Bishop e AIMA2e Caps. 18-20.

Up

Defesas dos Trabalhos

Grupos e Datas das Defesas dos Trabalhos

  • Segunda-feira, 6 de Junho (Sala 53, IC2)
  • -- 16-17hs Sistema de Agentes para Jogos Eletrônicos
    -- 17-18hs Classificador de Gêneros Musicais

  • Terça-feira, 7 de Junho (Sala 53, IC2)
  • --   9-10hs Classificação de faces em vídeos
    -- 10-11hs Reconhecimento de caracteres matemáticos manuscritos em Latex
    -- 11-12hs Resolvedor de Sudoku
    -- 17-18hs Aplicativo de Foto-Chamada
    -- 18-19hs Resolvedor de Jogo de Damas

  • Quarta-feira, 8 de Junho (Manhã: Sala 85, IC2; Tarde: Sala 53, IC2)
  • -- 10-11hs Resolvedor de N-Rainhas
    -- 11-12hs Reconhecimento de padrões de autoria em texto
    -- 13-14hs Reconhecimento de marcas de veículos
    -- 16-17hs Flowshop
    -- 17-18hs Resolver de Sokoban
    -- 18-19hs Busca de amigos por foto no Facebook

Up

Trabalhos Práticos

Trabalho Prático Individual #1 -- Clusterização de Imagens.

Deadline: 28/4/2011
Dados: digitos-sem-classe.txt

98 KB

(PDF)

Trabalho Prático #2 -- Escolher e resolver um problema prático com técnicas de IA.

Deadline: 2/6/2011
Documentos:
(1) Critérios de avaliação
(2) Modelo para o relatório

Up