Aulas
Terças-feiras: 16h30–18h10
Sextas-feiras: 14h35–16h15
Locais informados na página anterior:
terça: P1-204 (sala 2); sexta: P1-103 (sala 3).
Informações gerais
Professor
Prof. Eduardo Bezerra
ebezerra@cefet-rj.br
Microsoft Teams
Canal operacional para bilhetes de entrada, enunciados, entregas, avisos, dúvidas e resultados.
Esta página e o GitHub concentram materiais e código. O Teams concentra prazos e comunicação.
Objetivos e ementa
Objetivo
Apresentar conceitos, modelos, métodos, técnicas e aplicações da Inteligência Artificial, combinando fundamentos clássicos, raciocínio sob incerteza, aprendizado e agentes baseados em IA generativa.
Ementa
Introdução à Inteligência Artificial; agentes inteligentes; estratégias de busca em espaços de estados; busca sem informação e busca heurística; busca adversarial; satisfação de restrições; agentes lógicos e representação de conhecimento; redes Bayesianas e inferência probabilística; aprendizado por reforço; fundamentos de aprendizado de máquina; modelos de linguagem e agentes baseados em IA generativa.
Pré-requisitos recomendados: estruturas de dados, recursividade, probabilidade básica, relações de recorrência e noções de complexidade de algoritmos.
Dinâmica das aulas
A disciplina adota, na maior parte do semestre, o modelo de sala de aula invertida. O primeiro contato com o conteúdo ocorre antes da aula. O encontro presencial concentra discussão, resolução de problemas, análise de erros e prática.
- Leras notas indicadas
- Respondero bilhete de entrada
- Executarnotebook, código ou prática
- Participarda aula e das atividades
- Revisardúvidas e erros
Bilhetes de entrada
Devem ser enviados pelo Teams até 12h do dia da aula. A correção é binária: realizado ou não realizado. Os quatro menores resultados do período são descartados. O bilhete só é válido quando o estudante comparece à aula correspondente.
Presença e participação
A chamada ocorre no início do encontro. As atividades presenciais podem ser feitas em duplas ou pequenos grupos e podem ser recolhidas. A participação considera a entrega válida dos bilhetes e o envolvimento efetivo nas atividades.
Materiais
Notas de aula e documento administrativo
Notebooks, códigos e dados
- Bilhetes de entrega
- Notebooks do repositório
- Demonstração de minimax
- Código de busca adversarial
- Demais códigos e conjuntos de dados no repositório
Os caminhos acima foram mantidos apenas quando já apareciam na página anterior ou foram informados explicitamente. Materiais adicionais devem ser anunciados pelo Teams.
Plano de aulas — 2026.2
Primeira aula em 04/08/2026. Encontros regulares às terças e sextas.
Aula
Prática
Data proposta de avaliação
Calendário institucional
| Data | Atividade | Natureza |
|---|---|---|
| Apresentação da disciplina; canais, dinâmica, avaliação e uso responsável de IA | Abertura | |
| Visão geral da IA; agentes inteligentes e ambientes | Aula | |
| Formulação de problemas de busca; espaço de estados | Aula | |
| Busca sem informação: BFS, UCS e DFS | Aula | |
| Busca sem informação: análise e prática | Prática | |
| Busca heurística: heurísticas e busca gulosa | Aula | |
| Busca A*: funcionamento, completude e otimalidade | Aula | |
| Exercícios de busca; apresentação do Trabalho T1 | Avaliação / entrega | |
| Busca adversarial: jogos, minimax e árvore de jogo | Aula | |
| Poda alfa--beta | Aula | |
| Funções de avaliação e busca com profundidade limitada | Aula | |
| Prática de busca adversarial | Prática | |
| Monte Carlo Tree Search (MCTS) | Aula | |
| Prática de MCTS; entrega proposta do Trabalho T1 | Avaliação / entrega | |
| Problemas de satisfação de restrições | Aula | |
| Agentes lógicos e representação de conhecimento | Aula | |
| Inferência lógica e resolução de exercícios | Aula | |
| Raciocínio sob incerteza: probabilidade e redes Bayesianas | Aula | |
| Inferência em redes Bayesianas | Aula | |
| Revisão do primeiro bloco; apresentação do Trabalho T2 | Avaliação / entrega | |
| Exercícios integradores do primeiro bloco | Prática | |
| Teste 1 — data proposta | Avaliação / entrega | |
| Aprendizado por reforço: agentes, recompensas e retorno | Aula | |
| Aprendizado temporal-difference; Q-learning e SARSA | Aula | |
| Exploração versus explotação; técnicas de exploração | Aula | |
| Prática de aprendizado por reforço | Prática | |
| Aproximação de funções e ambientes Gymnasium | Aula | |
| Aprendizado de máquina: taxonomia e aprendizado supervisionado | Aula | |
| Modelos lineares e gradiente descendente | Aula | |
| Generalização, viés-variância e regularização | Aula | |
| Seleção e avaliação de modelos; entrega proposta do Trabalho T2 | Avaliação / entrega | |
| Dia Nacional de Zumbi e da Consciência Negra — sem aula | Calendário institucional | |
| Árvores de decisão e métodos ensemble | Aula | |
| Redes neurais, aprendizado não supervisionado e embeddings | Aula | |
| Modelos de linguagem e arquiteturas de agentes baseados em LLMs | Aula | |
| Planejamento iterativo: ReAct, Plan-and-Act e Reflexion | Aula | |
| Uso de ferramentas e integração com bases de conhecimento (RAG) | Aula | |
| MCP, observabilidade, avaliação, segurança e guardrails | Aula | |
| Teste 2 — data proposta | Avaliação / entrega | |
| Segunda chamada ou revisão para o exame final — organização proposta | Avaliação / entrega | |
| Exame final — data proposta dentro do período de provas finais | Avaliação / entrega |
Leitura do cronograma. O início do semestre em 03/08, o encerramento das aulas em 18/12 e o período final em dezembro derivam do calendário institucional. As datas de T1, T2, Teste 1, Teste 2, segunda chamada e exame final são propostas e serão confirmadas pelo professor no Teams.
Avaliação
Trabalhos práticos
Implementados em Python 3.11. Cada trabalho deve incluir vídeo explicativo de aproximadamente 20 a 30 minutos, com explicação do código, execução e análise dos resultados.
Atrasos sofrem desconto de 20% da nota máxima por dia corrido. Frações de dia contam como um dia. Após cinco dias, a nota é zero.
Testes e segunda chamada
Há dois testes regulares. Uma única segunda chamada, discursiva e cumulativa, pode substituir no máximo um teste. O exame final segue as normas e o calendário institucionais.
Orientações de estudo
As notas de aula são o texto central da disciplina. O estudante deve lê-las antes do encontro correspondente. A aula não repete o texto. Ela parte da leitura prévia.
Uma estratégia recomendada é a Técnica de Feynman: explicar o conceito com palavras próprias, identificar lacunas, revisar o material e reconstruir a explicação de forma mais simples e precisa.
Livro-texto
Russell & Norvig. Artificial Intelligence: A Modern Approach. 4ª edição.
Python
Os capítulos 1–11 de Learning with Python cobrem os fundamentos recomendados.
Uso responsável de IA generativa
A IA deve funcionar como tutora. Não como substituta do raciocínio.
Usos aceitáveis
- Esclarecer dúvidas conceituais.
- Revisar sintaxe Python.
- Discutir complexidade temporal e espacial.
- Explorar variações de algoritmos.
- Identificar erros em uma solução própria.
Usos inadequados
- Gerar uma solução completa e adaptá-la superficialmente.
- Redigir integralmente os bilhetes de entrada.
- Submeter código que não se consegue explicar.
- Contornar partes centrais da implementação.
Transparência. Sempre que uma ferramenta contribuir de forma relevante para código, texto, análise ou decisão de implementação, registre no notebook ou relatório a ferramenta, a finalidade, as partes auxiliadas e a forma de verificação.