Página da disciplina MC906 - A |
|
|
|
|
Material das Aulas |
Material de Apoio |
Defesas dos Trabalhos |
Trabalho Individual |
Projetos Práticos
|
|
|
|
|
Apresentação |
|
|
|
Professor: Anderson Rocha
| Turma |
Dia |
Horário |
Sala |
| A |
Terça |
19-20:40 |
CB01 |
|
Quinta |
21-22:40 |
CB05 |
Atendimento: Agendar por e-mail com 24 horas de
antecedência.
Avisos:
|
|
| 09/12/2011 |
Notas finais antes do EXAME
disponíveis.
As notas ainda podem ser mudadas de acordo com novas análises.
O horário para revisão das provas, para quem tiver interesse, será Segunda-feira, 12/12/2011 das 10:30-12:30.
|
|
| 23/11/2011 |
A tabela de horários
e os critérios de avaliação do trabalho
prático já
estão disponíveis. Os grupos ainda sem data de apresentação devem entrar em contato imediatamente.
|
| 02/11/2011 |
A lista de exercícios já
está disponível. |
| 13/10/2011 |
As instruções para o trabalho
prético individual já estão disponíveis. |
| 03/10/2011 |
As datas escolhidas para os seminários e regras de avaliação já estão disponíveis. |
| 06/09/2011 |
A lista geral com os temas dos projetos já está disponível. |
| 27/08/2011 |
Requisitos - Relatório formalizando o trabalho prático
- Tamanho: 1 a 2 páginas
- Estrutura:
- Título do trabalho e componentes do grupo
- Introdução e motivação
- Objetivos
- Metodologia geral
- O que será entregue
|
| 04/08/2011 |
A descrição geral e ementa da disciplina estão disponíveis. |
|
|
|
|
|
|
|
|
|
|
|
| Aula #1:2 -- Apresentação da disciplina.
Ementa do curso e avisos pertinentes. |
|
177 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. |
|
115 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.
Material complementar: Grafos, busca em largura e profundidade com aplicações (PDF)
| |
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 -- 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) |
|
|
Aula #17:18 -- 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. |
|
159 KB |
(PDF) |
|
|
|
|
Up |
Aula #19:22 -- 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. |
|
368 KB |
(PDF) |
|
Aula #23:24 -- 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 #25:28 -- Aprendizado de Máquina.
(1) Introdução e conceitos iniciais
(2) Classificação supervisionada;
(3) Regressão supervisionada;
(4) aprendizado não supervisionado
(5) Classificador: K-Vizinhos (KNN)
(6) Regressão: Linear
** 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) |
|
|
|
|
Up |
Aula #29:30 -- 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
Leitura adicional: ESL, Cap. #2: Overview of Supervised Learning,
Sec. 2.3: Two Simple Approaches to Prediction: Least Squares and Nearest Neighbors,
|
|
692 KB |
(PDF) |
|
Aula #31:32 -- 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 #33:36 -- 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) |
|
|
|
|
Up |
Aula #37:38 -- 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) |
|
Aula #39:40 -- 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 |
|
|
|
|
Up |
|
|
|
|
Up |
|
|
|
|
Up |
Aula #47:48 -- Apresentação de Seminários #4.
(1) Busca de Músicas por Conteúdo
Eduardo Yukio Higa, Enzo Mercanti,
Raphael Figueredo Oliveira,
Rodrigo Augusto Cardoso da Silva,
Vinicius Pilot Moleta
(2) Adivinhador de Filmes
Alex Fernando Brandt,
Bruno Espinosa Crepaldi,
Douglas Oliveira Santos,
Maurício José de Oliveira Zambon,
Thiago Cavalcante
(3)
Programa que se passa por humano no Captcha
Miriã Rafante Bernardino,
Miriam Hiramatsu Ito,
Rubens R. R. Junior,
Marcelo Municelli de Oliveira
| |
|
|
|
|
Up |
|
|
|
|
Up |
Aula #51:52 -- 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 #53:54 -- Redes Bayesianas I.
Sintaxe, Semântica, Distribuições parametrizadas
Leitura recomendada: AIMA2e, Cap. #14: Probabilistic Reasoning, Secs. 1-3. |
|
233 KB |
(PDF) |
|
Aula #55:56 -- 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 #57:58 -- Classificador Bayesiano Ingênuo (Naive Bayes).
Leitura recomendada:
|
|
|
|
|
Aula #59:60 -- Aplicações de IA para Reconhecimento de
Humanos e Objetos - Palestra Convidada.
Observação: Os slides da apresentação do
Dr. William Schwartz devem ser solicitados por e-mail por questões de copyright.
|
|
|
|
|
|
|
Up |
|
|
|
|
Temas -- Temas escolhidos para o projeto prático
- Sistema de Recomendação de Matérias Eletivas
- Tetris Attack
- Adivinhador de Filmes
- Resolução do jogo Reversi (Othello)
- Busca de Músicas por Conteúdo
- Tradução de linguagem de sinais (ASL) a partir de detecção por câmera de vídeo
- General News Classifier
- Programa que se passa por humano no Captcha
- Reconstrução de imagens 2D a partir de seus fragmentos
- Análise e implementaço de mecanismos de correção ortográfica utilizando técnicas de IA
- Campo Minado
- Previsão de cotações no mercado a vista de ações utilizando algoritmos genéticos
- Classificador automático de gêneros musicais para o formato MP3
- Revolvedor de CAPTCHAs
- Compositor de músicas
|
|
|
Datas escolhidas para os seminários e regras de
avaliação |
|
120 KB |
(PDF) |
|
|
Datas escolhidas para as defesas dos trabalhos bem como as regras de avaliação |
|
38 KB |
(PDF) |
|
|
|
|
Up |
|
|
|
|
Trabalho Individual -- Clusterização de Imagens.
Deadline: 23/10/2011
Dados: digitos.zip
| |
915 KB |
(PDF) |
|
|
|
|
Up |
|
|
|
|
Lista de exercícios - AIMA2e
(1) Os exercícios são para treinamento e estão no nível daqueles que cairão na Prova.
(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 |
| Dica #1 -- Palestra de Deb Roy (MIT) no TED talk O nascimento de uma palavra. .
|
|
|
(Link) |
|
| Dica #2 -- IBM apresenta chip que pensa (?)I.B.M. Announces Brainy Computer Chip.
|
|
|
(Link) |
|
|
|
|
Up
|
|
