SCE-234 Introdução à Sistemas Inteligentes

Prova de Recuperação será na quinta feira, 25/7, as 16:20 na sala 3012

Objetivos

Programa

1. FUNDAMENTOS
1. Estrutura do curso
2. Sistemas Inteligentes
2. APRENDIZADO DE MÁQUINA
1. 2.1 Conceitos Básicos
2. 2.2 Principais Abordagens
3. REDES NEURAIS ARTIFICIAIS
4. APRENDIZADO SIMBÓLICO
1. 4.1 Sistemas Baseados em Regras
2. 4.2 Árvores de Decisão
3. 4.3 Raciocínio Baseado em Casos
5. COMPUTAÇÃO EVOLUCIONÁRIA
6. MINERAÇÃO DE DADOS
7. APLICAÇÕES

Material do Curso

• Aula01 - Sobre o Curso
• Aula02 - Aprendizado de Máquina
• Aula03 - Reconhecimento de Padroes
• Aula04 - Redes Neurais I
• Aula05 - Redes Neurais II
• Aula06 - Redes Neurais III
• Aula07 - Redes Neurais IV
• Aula08 - Redes Neurais V
• Aula09 - Computacao Evolucionaria
• Aula10 - Sistemas Simbolicos 
• Aula11 - Projeto de SIs 
• Aula12 - Sistemas Hibridos 
• Aula13 - Projeto Evolutivo
• Aula14 - Extração de Conhecimento 
• Aula15 - Raciocinio Baseado em Casos 

Laboratório

• Manual de referência rápida do SNNS
• Dados no formato do SNNS

Trabalho Prático

• Página do Trabalho

Avisos Importantes

• Para informações sobre mudanças de última hora, visite este website um dia antes das aulas.

Cronograma das Provas

• Primeira prova: 22 de abril
• Segunda prova: 10 de junho
• Prova substitutiva: 24 de junho

Notas

• Clicar aqui

Critérios de Avaliação

• LISTAS DE EXERCÍCIOS: não serão consideradas na avaliação.
• PROVAS: haverá 3 provas, cujas datas de realização estão marcadas no programa. Cada prova vale de 0 a 10. A última prova é optativa e pode substituir a menor nota dentre as outras notas.
• TRABALHOS: haverá 5 trabalhos práticos. Cada trabalho vale de 0 a 10. As datas finais de entrega dos trabalhos serão definidas durante o curso.
• CÁLCULO DA MÉDIA:
MP = Média Aritmética das Provas 

MT = Média Aritmética dos Trabalhos 

MF = Média Final 

Se MP >= 5 e MT >= 5, então MF = (7MP + 3MT) /10 

Se MP < 5 ou MT < 5, então MF = menor valor entre MP e MT 

• RECUPERAÇÃO: só terão direito à recuperação os alunos com 3.0 <= MF <= 5.0 e freqüência superior a 70%.
Observação: será dada a nota 0.0 (zero) para cópia parcial de programa ou prova, sendo o problema levado para a coordenação do curso.

Bibliografia

• MITCHELL, T. M.: Machine Learning. McGraw-Hill, 1997.
• BRAGA, A., CARVALHO A. e LUDERMIR T.: Redes Neurais Artificiais: Teoria e Aplicações. Publicado pela Editora Livro Técnico e Científico, Rio de Janeiro, Brasil, fevereiro de 2000. 
• LACERDA E. e CARVALHO A.: Introdução aos Algoritmos Genéticos, Sistemas Inteligentes - Aplicações a Recursos Hídricos e Ciências Ambientais, C. Galvão e M. Valença (Editores), Editora da Universidade Federal do Rio Grande do Sul, páginas 99-150, Vol. 7, Coleção Associação Brasileira de Recursos Hídricos, ABRH, Porto Alegre, dezembro 1999. 
• RUSSEL, S. & NORVIG, P.: Artificial Intelligence: A Modern Approach. Prentice Hall, 1995.
• BITTENCOURT, G.: Inteligência Artificial: Ferramentas e Teorias. 10ª Escola de Computação, 1996. 
• WEISS, S. M. & INDURKIHYA, N.: Predictive Data Mining Morgan Kaujmann, 1998.
• MORIK, K.; WROBEL, S. & KIETZ, J.: Knowledge Aquisition and Machine Learning, Academic Press, 1994. 
• KASABOV, N.K.: Foundations of Neural Networks, fuzzy Sets, Knowledge Engineering, MIT Press, 1996.

Professor: André Carlos Ponce de Leon Ferreira de Carvalho
e-mail: andre@icmc.sc.usp.br

PAE: Claudia Regina Milaré
e-mail: claudia@icmc.sc.usp.br

Data da última atualização: 22 de março de 2002.