Curso de Inteligência artificial

O que você vai aprender em 10 aulas

1. 1

   Agentes inteligentes

   Comece aqui

   Descreva o que é inteligência artificial, modele problemas como agentes que agem em ambientes e formule espaços de estados, ações e objetivos.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Explique o que é inteligência artificial e como a área se desenvolveu
   2. 2.Descreva agentes, ambientes e comportamento racional
   3. 3.Classifique ambientes de tarefa
   4. 4.Compare arquiteturas de agentes
   5. 5.Formule problemas como busca em espaço de estados
2. 2

   Busca não informada e informada

   Resolva problemas com busca em largura, busca de custo uniforme e A*, elabore heurísticas admissíveis e use a busca local em espaços muito grandes.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Formule problemas como busca e avalie algoritmos de busca
   2. 2.Faça buscas sem conhecimento do domínio
   3. 3.Faça buscas com heurísticas: busca gulosa pela melhor escolha e A*
   4. 4.Elabore e avalie heurísticas
   5. 5.Use a busca local em espaços muito grandes
3. 3

   Problemas de satisfação de restrições

   Formule problemas de programação e de atribuição como problemas de satisfação de restrições e resolva-os com busca com retrocesso, propagação de restrições e heurísticas de ordenação.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Formule problemas como problemas de satisfação de restrições
   2. 2.Resolva CSPs com busca com retrocesso
   3. 3.Reduza domínios com propagação de restrições
   4. 4.Resolva CSPs com busca local
   5. 5.Aproveite a estrutura de um problema
4. 4

   Busca adversária

   Escolha jogadas em jogos com minimax, poda alfa-beta e expectimax e elabore funções de avaliação.

   6 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Descreva jogos como problemas de busca e desenhe suas árvores de jogo
   2. 2.Escolha jogadas ótimas com minimax
   3. 3.Acelere o minimax com poda alfa-beta
   4. 4.Jogue bem com tempo limitado usando funções de avaliação
   5. 5.Escolha jogadas quando houver acaso
   6. 6.Explore jogos grandes com busca em árvore de Monte Carlo
5. 5

   Agentes lógicos e planejamento

   Represente conhecimento em lógica proposicional e de primeira ordem, faça inferências e formule problemas de planejamento clássico.

   6 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Represente o conhecimento de um agente em lógica proposicional
   2. 2.Demonstre conclusões com inferência proposicional e resolvedores SAT
   3. 3.Represente conhecimento em lógica de primeira ordem
   4. 4.Faça inferências em lógica de primeira ordem
   5. 5.Organize conhecimento em ontologias e grafos de conhecimento
   6. 6.Formule e resolva problemas de planejamento clássico
6. 6

   Raciocínio probabilístico e redes bayesianas

   Raciocine sob incerteza com probabilidade e regra de Bayes, represente dependências em redes bayesianas e calcule respostas com inferência exata e por amostragem.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Raciocine com probabilidade, regra de Bayes e independência
   2. 2.Represente dependências com redes bayesianas
   3. 3.Calcule respostas exatas com enumeração e eliminação de variáveis
   4. 4.Obtenha respostas aproximadas por amostragem
   5. 5.Tome decisões com utilidades, redes de decisão e valor da informação
7. 7

   Modelos ocultos de Markov

   Modele sistemas que mudam ao longo do tempo com cadeias de Markov e modelos ocultos de Markov e acompanhe estados ocultos com filtragem e filtros de partículas.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Modele um sistema em evolução com uma cadeia de Markov
   2. 2.Represente estados ocultos com modelos ocultos de Markov
   3. 3.Infira estados ocultos a partir de uma sequência de evidências
   4. 4.Faça filtragem aproximada com filtros de partículas
   5. 5.Aplique modelos temporais ao rastreamento e ao processamento de fala
8. 8

   Processos de decisão de Markov

   Modele decisões sequenciais como processos de decisão de Markov, resolva-os com iteração de valor e iteração de política e aprenda políticas a partir da experiência com aprendizado Q.

   5 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Modele decisões sequenciais como processos de decisão de Markov
   2. 2.Expresse valores com equações de Bellman
   3. 3.Resolva MDPs conhecidos com programação dinâmica
   4. 4.Aprenda sobre um MDP desconhecido a partir da experiência
   5. 5.Aprenda a agir com aprendizado Q e exploração
9. 9

   Aprendizado supervisionado e redes neurais

   Treine classificadores simples, como Bayes ingênuo, perceptrons e regressão logística, e explique como as redes neurais aprendem com descida do gradiente.

   6 objetivos de aprendizagem

   O que você vai aprender

   1. 1.Formule um problema de aprendizado supervisionado
   2. 2.Classifique com Bayes ingênuo
   3. 3.Treine classificadores lineares
   4. 4.Otimize modelos com descida do gradiente
   5. 5.Construa e treine redes neurais
   6. 6.Reconheça e controle o sobreajuste
10. 10

    Ética da IA

    Avalie sistemas de IA quanto a vieses injustos, transparência, privacidade e riscos de segurança e explique como a regulação e as estruturas de governança gerenciam esses riscos.

    6 objetivos de aprendizagem

    O que você vai aprender

    1. 1.Analise os aspectos éticos de um sistema de IA
    2. 2.Detecte, meça e reduza vieses injustos
    3. 3.Torne os sistemas de IA transparentes e proteja a privacidade
    4. 4.Torne os sistemas de IA seguros, robustos e alinhados
    5. 5.Avalie os impactos sociais e trabalhistas da IA
    6. 6.Explique como a regulação e as estruturas de governança gerenciam os riscos de IA