• Avaliação Escrita I
• Avaliação Escrita II
• Implementação de Algoritmo Genético para Escalas Pentatônicas. Base para questão 3 da Avaliação Escrita II
  • Para os mais curiosos... Script em Python e patch em Puredata para gerar e reproduzir o AG

TRABALHOS FINAIS

NOVO HORÁRIO DE MONITORIA!!!

TRABALHO FINAL DISPONÍVEL!

NOTAS DE TODAS AS AVALIAÇÕES ATÉ O MOMENTO (LISTAS 1..6 & PROVA 1)

NOTAS DA AVALIAÇÃO ESCRITA 01

NOTAS DAS LISTAS 1...4 DISPONÍVEL CORRIGIDAS!

Página da disciplina de Inteligência Artificial, Turma de 2010/01.

Ementa Original

Técnicas de inteligência artificial aplicadas à resolução de problemas. Representação de conhecimento. Sistemas baseados em conhecimento. Aprendizagem de máquina. Arquiteturas de sistemas de Inteligência Artificial.

Programa Proposto

• Introdução a linguagem Python
  • O que é Python e como apresenta-se um programa em Python. Variáveis, expressões e comandos. Funções. Condicionais e Recursividade. Iteração. Strings. Listas. Tuplas. Dicionários. Classes e objetos. Classes e funções. Classes e métodos. Listas encadeadas. Pilhas. Filas. Árvores. Funções lambda.
  • Prática: exercícios em laboratório e com data de entrega.
  • OBJETIVO: INTRODUZIR O ALUNO À UMA LINGUAGEM DE PROGRAMAÇÃO, RELEMBRANDO CONCEITOS APRENDIDOS EM LPG{1, 2, 3}.
• Introdução e histórico da IA
  • OBJETIVO: APRESENTAR A IA COMO UM TODO, VISLUMBRANDO AS PARTES ESPECÍFICAS QUE SERÃO ESTUDADAS DURANTE O SEMESTRE.
• Introdução a Inteligência Coletiva
  • O que é Inteligência Coletiva (IC). Aprendizado de máquina. Limites. Exemplos reais. Usos alternativos para algoritmos com aprendizado. Caso de exemplo: filtragem colaborativa. Apresentar a dinâmica da disciplina durante o semestre.
  • Prática: aplicação de recomendação de links extraídos do serviço del.icio.us.
  • OBJETIVO: ESCLARECER O QUE É IC, SUAS ÁREAS PRINCIPAIS. MOTIVAR ATRAVÉS DE APLICAÇÃO REAL.
• Clusterização (Agrupamento) e Aprendizado de Máquina
  • Aprendizado supervisionado e não-supervisionado. Vetores de palavras. Clusterização hierárquica. Dendogramas. Clusterização por colunas. Clusterização K-Means. Métricas de distâncias. Visualização de resultados. Outras coisas para agrupar.
  • Prática: agrupamento de blogs e pessoas a partir de seus interesses.
  • OBJETIVO: INTRODUZIR O CONCEITO DE CLUSTERIZAÇÃO DE DADOS (AGRUPAMENTO). MÉTODOS PARA DESCOBRIR E VISUALIZAR GRUPOS DE DADOS, PESSOAS, COISAS QUE ESTÃO INTIMAMENTE RELACIONADOS.
• Busca e Classificação
  • Máquinas de busca. Crawling. Indexação em BD. Ranking baseado em conteúdo. O algoritmo Google PageRank. Redes neurais. Treinamento e teste de RN.
  • Prática: buscas em bases textuais.
  • OBJETIVO: APRESENTAR ALGORITMOS DE BUSCA EM BASES TEXTUAIS E COMO APRESENTAR TAIS RESULTADOS EM UM RANKING.
• Otimização
  • Representação de soluções. Função de custo. Busca aleatória. Hill climbing. Simulated annealing. Algoritmos genéticos. Visualização de redes.
  • Prática: buscas em bases de dados de vôos.
  • OBJETIVO: COMO RESOLVER PROBLEMAS DE COLABORAÇÃO COM OTIMIZAÇÃO ESTOCÁSTICA. PROBLEMAS COM MÚLTIPLAS VARIÁVEIS.
• Filtragem de Documentos
  • Filtrando Spam. Documentos e palavras. Treinando o classificador. Classificador Naïve. Introdução ao Teorema de Bayes. O método de Fischer. Filtrando feeds de blogs.
  • OBJETIVO: COMO CLASSIFICAR DOCUMENTOS BASEANDO-SE EM SEUS CONTEÚDOS.
• Modelagem com Árvores de Decisão
  • Árvores de decisão. Treinando árvores. Construção recursiva de árvores. Visualização de árvores. Classificação de novas observações.
  • Prática: aplicações que modelem temas "quentes" (preços, cidades, esportes, ...)
  • OBJETIVO: CONFRONTAR OS CLASSIFICADORES APRESENTADOS ATÉ ENTÃO (RN, BAYES, ...) COM OS BASEADOS EM ÁRVORES DE DECISÃO
• Criando modelos de preços
  • K-Vizinhos. Função Gaussiana. Cross-validation.
• Classificação Avançada
  • Métodos Kernel. Support-Vector Machines.
• Identificação de Características Independentes
• Programação Genética

Horários

Monitoria

Email do monitor Oriel Frigo: oriel.frigo <arroba> gmail <ponto> com

Cronograma Previsto

Observações...

• Carga horária total de 75 horas
• Término do semestre letivo em 10 de Julho
• Prazo para divulgação de notas em 12 de Julho

Aulas

• Aula 01 - Apresentação da disciplina. Introdução à Python.
  • Slides
  • Lista de Exercícios 01
  • Arquivo notas.txt utilizado na lista de exercícios 01
• Aula 02 - Programação Orientada a Objetos em Python.
  • Slides
  • Lista de Exercícios 02
  • Arquivo jogocartas.py (exemplo de POO, base para lista de exercícios 02)

     Para simular o jogo do mico, execute o interpretador Python e entre com os comandos:

     >>> from jogocartas import *
     >>> jogo = Mico()
     >>> jogadores = ['Pedro', 'Paulo', 'Ana']
     >>> jogo.jogar(jogadores)
     ...

     É desta mesma forma que deverá ser com a simulação do jogo de caxeta.

• Aula 03 - Listas. Pilhas. Filas. Árvores. Funções lambda.
  • Slides
  • Arquivo tda.py (contém as classes dos Tipos de Dados Abstratos definidos em sala)
  • Pacote com soluções dos alunos para a Lista de exercícios 01
  • Comandos executados durante a aula
• Aula 04 - Correção da lista de ex. 02
  • Pacote com soluções dos alunos para a Lista de exercícios 02 Δ (disponível assim que receber dos alunos)
  • Implementação da classe Caxeta
  • Lista de Exercícios 03
• Aula 05 - Não haverá aula
• Aula 06 - Introdução à Inteligência Artificial
  • Slides
• Aula 07 - Introdução à Inteligência Coletiva
  • Slides
• Aula 08 - Introdução à Inteligência Coletiva
  • Código-fonte inicial para recomendações
  • Base de dados MovieLens
• Aula 09 - Introdução à Inteligência Coletiva
  • Lista de Exercício 04

     Para instalar a API pydelicious:

     1. Faça o download da API em http://pydelicious.googlecode.com/files/pydelicious-0.5.0.zip
     2. Descompacte o arquivo, entre no diretório e instale a biblioteca pydelicious:

          unzip pydelicious-0.5.0.zip
          cd pydelicious-0.5.0
          sudo python setup.py install

     3. Para utilizá-lo, basta importar o módulo pydelicious em seu programa Python:

          import pydelicious
          pydelicious.get_popular(tag='programming)

     4. Consulte a documentação da API para conhecer outras funções.

     OU... utilizando easy_install em sistemas derivados de Debian GNU/Linux:

     1. Instale as ferramentas de setup de Python:

          sudo aptitude install python-setuptools

     2. Use easy_install para instalar o pydelicious:

          sudo easy_install pydelicious

     3. Pronto, basta importá-lo!

• Aula 10 - Clustering
  • Slides
  • generatefeedvector.py
  • clusters.py
  • blogdata.txt
  • feedlist.txt
• Aula 11 - Redes Neurais
  • Slides
  • Lista de Exercício 05

• Aula 12 - Redes Neurais
  • Lista de Exercício 06
• Aula 13 - Otimização
  • Slides
  • otimizacao.py
  • schedule.txt
  • Vídeo: NASA Evolutionary Antenna Synthesis
• Aula 14 - Otimizacao
  • Lista de Exercício 07
• Avaliação Escrita I
  • Avaliação Escrita I. Enunciados.

Arquivos/APIs/Softwares

• Interpretador interativo ***INCRÍVEL*** para Python
• Modo Emacs para editar Python
• Código-fonte dos exemplos do livro Practical Collective Intelligence

APIs

Todas as APIs dependem da instalação do pacote python-setuptools em Debian GNU/Linux. Portanto, antes de utilizar o easy_install, instale-o:

     sudo aptitude install python-setuptools

Também é recomendada a instalação de iPython:

     sudo aptitude install ipython

feedparser

Instalando...

     sudo easy_install feedparser

     ou...

     sudo aptitude install python-feedparser

Testando...

     ipython
     >>> import feedparser
     >>> feedparser.parse('http://automata.cc/index.php/feed/')

pydelicious

Instalando...

     sudo easy_install pydelicious

Testando...

     ipython
     >>> import pydelicious
     >>> pydelicious.get_popular(tag='lisp')

pil

Instalando...

     sudo easy_install pil

matplotlib

Instalando...

     sudo aptitude install python-matplotlib

Usando...

     ipython
     >>> from pylab import *

Referências

IA

• SEGARAN, Toby. Programming Collective Intelligence. O'Reilly, 2007.
• RUSSEL, Stuart; NORVIG, Peter. Inteligência Artificial. Campus, São Paulo, 2004.
• NORVIG, Peter. Paradigms of Artificial Intelligence Programming: Case Studies in Common Lisp. Morgan Kaufmann, 1992.
• WINSTON, Patrick Henry. Artificial Intelligence. 3rd. Edition. Addison-Wesley. Reading, 1992.

Python

• Dive Into Python. Disponível Online.
• Aprenda Computação com Python. Disponível Online.
• ASCHER, David; LUTZ, Mark. Aprendendo Python. Bookman, 2007.
• MARTELLI, Alex. Python In A Nutshell. O'Reilly, 2003.
• BEAZLEY, David M. Python Essential Reference. Sams Publishing, 2006.
• Easy AI with Python.

Diversas

• Dicas de Emacs para programar em Python
• Python Brasil
• IDE Komodo (Suporte também a Python)