Nome da Atividade
PRINCÍPIOS DE INTELIGÊNCIA ARTIFICIAL APLICADOS
CÓDIGO
15001103
Carga Horária
90 horas
Tipo de Atividade
DISCIPLINA
Periodicidade
Semestral
Modalidade
PRESENCIAL
Unidade responsável
CARGA HORÁRIA TEÓRICA
4
CARGA HORÁRIA OBRIGATÓRIA
6
CARGA HORÁRIA EAD
2
CRÉDITOS
6
FREQUÊNCIA APROVAÇÃO
75%
NOTA MÉDIA APROVAÇÃO
7
Ementa
A disciplina aborda os fundamentos teóricos e práticos da Inteligência Artificial, proporcionando uma visão abrangente desde os conceitos históricos até as aplicações modernas. O curso explora os principais paradigmas da IA (simbólico, conexionista e híbrido), algoritmos clássicos de busca e aprendizado de máquina, redes neurais artificiais e deep learning, IA generativa, e culmina no desenvolvimento de projetos.
Enfatiza-se a aplicação prática através de implementações em Python e demais linguagens de programação, utilizando bibliotecas especializadas como TensorFlow, PyTorch e Scikit-learn, e outras que poderão surgir, preparando os discentes para aplicar soluções de IA em contextos reais de negócio.
Enfatiza-se a aplicação prática através de implementações em Python e demais linguagens de programação, utilizando bibliotecas especializadas como TensorFlow, PyTorch e Scikit-learn, e outras que poderão surgir, preparando os discentes para aplicar soluções de IA em contextos reais de negócio.
Objetivos
Objetivo Geral:
Capacitar profissionais para compreender, implementar e aplicar técnicas de Inteligência Artificial em contextos práticos, desenvolvendo competências técnicas e críticas necessárias para a utilização eficaz de soluções baseadas em IA no ambiente profissional.Específicos
• Compreender a evolução histórica da IA e seus principais marcos tecnológicos;
• Dominar os diferentes paradigmas da IA (simbólico, conexionista e híbrido) e suas aplicações;
• Implementar algoritmos clássicos de IA, incluindo busca, lógica fuzzy e redes bayesianas;
• Desenvolver competências práticas em aprendizado de máquina supervisionado, não supervisionado e por reforço;
• Construir e treinar redes neurais artificiais e modelos de deep learning;
• Aplicar técnicas de IA generativa, incluindo GANs e modelos de linguagem;
• Desenvolver projetos práticos de IA utilizando ferramentas e bibliotecas especializadas;
• Avaliar criticamente os impactos éticos e sociais da IA;
• Analisar casos reais de implementação de IA em diferentes setores
Conteúdo Programático
Bibliografia
Bibliografia Básica:
- LIMA, Isaías; PINHEIRO, Carlos A. M; SANTOS, Flávia A. Oliveira. Inteligência artificial. Rio de Janeiro: GEN LTC, 2014
- LUGER, George F. Artificial Intelligence: Structures and Strategies for Complex Problem Sol-ving. 6. ed. Boston: Pearson, 2008
- RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 3. ed. Upper Saddle River: Prentice Hall, 2010
- RODRIGUEZ, Alejandro Martins; JULIANI, Jordan Paulesky; MODRO, Nilson Ribeiro; SCHMITZ, Tiago Luiz. Descomplicando a inteligência artificial: explorando os fundamentos da IA de for-ma acessível — para profissionais, estudantes e curiosos por tecnologia. [S.l.: s.n.], 2025.
Bibliografia Complementar:
- ALAMMAR, Jay. The illustrated transformer. 2018. Disponível em: http://jalammar.github.io/illustrated-transformer/. Acesso em: 26 abr. 2025
- CHOLLET, François. Deep Learning with Python. 2. ed. Shelter Island: Manning Publications, 2021
- DOMINGOS, Pedro. The master algorithm: how the quest for the ultimate learning machine will remake our world. New York: Basic Books, 2015.
- EBERHART, Russell C.; DOBBINS, Roy W. Redes neurais artificiais para engenharia e ciências aplicadas. Tradução: Heitor Lopes. São Paulo: Bookman, 1995.
- GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2. ed. Sebastopol: O'Reilly Media, 2019.