Inteligência Artificial - Engenharia de Software - UnB

Este repositório serve como portfólio e material de apoio para a disciplina de Inteligência Artificial do curso de Engenharia de Software na Universidade de Brasília (UnB). Aqui você encontrará informações sobre a ementa, os conteúdos abordados e os objetivos da matéria, além de projetos práticos desenvolvidos ao longo do curso.

1. Sobre a Aluna

Aluna: Sabrina Caldas Berno
Matrícula: 211029586
Estudante de Engenharia de Software na Universidade de Brasília, com foco em desenvolvimento de sistemas inteligentes e aplicação de técnicas de IA.

Links para contato:
- LinkedIn
- GitHub

2. Descrição da Disciplina

A disciplina de Inteligência Artificial introduz conceitos fundamentais para a representação do conhecimento, resolução de problemas e métodos de aprendizagem, com foco em preparar os alunos para o desenvolvimento de sistemas inteligentes. Ao final do curso, os alunos deverão ser capazes de:

  • Desenvolver sistemas inteligentes em diversas aplicações.
  • Compreender o papel essencial da representação do conhecimento.
  • Resolver problemas de aprendizagem em engenharia de sistemas inteligentes.

2.1 Objetivos

O objetivo da disciplina é fornecer aos alunos metodologias fundamentais para o desenvolvimento de sistemas inteligentes, abordando conceitos como agentes inteligentes, resolução de problemas, representação do conhecimento, incerteza e aprendizado de máquina. Além disso, a disciplina visa apresentar a inteligência artificial de forma estruturada, priorizando conceitos essenciais sobre áreas específicas do tema, e introduzir tanto técnicas clássicas (como algoritmos genéticos) quanto modernas (como deep learning), oferecendo uma visão ampla do campo da IA.

3. Conteúdos

Os principais tópicos abordados na disciplina incluem:

  1. Introdução à inteligência artificial: Histórico, estado da arte, benefícios e riscos; agentes inteligentes, ambientes e racionalidade.
  2. Resolução de problemas por busca: Técnicas para encontrar soluções ótimas em espaços de busca.
  3. Problemas de satisfação de condições: Modelagem de problemas onde as soluções precisam atender a um conjunto específico de restrições.
  4. Agentes lógicos: Uso da lógica para tomada de decisões e resolução de problemas.
  5. Quantificação de incertezas e redes Bayesianas: Raciocínio probabilístico e filtros de Kalman.
  6. Aprendizado de máquina: Métodos e técnicas para que sistemas aprendam e se adaptem a partir de dados.

Este portfólio será atualizado constantemente, documentando o progresso nas atividades e projetos ao longo do semestre.