SIGAA - Sistema Integrado de Gestão de Atividades Acadêmicas

Resumo do Componente Curricular

Dados Gerais do Componente Curricular
Tipo do Componente Curricular:	DISCIPLINA
Unidade Responsável:	PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO - CTG (11.65.20)
Código:	PEP989
Nome:	INTELIGÊNCIA ARTIFICIAL EM SISTEMAS PRODUTIVOS
Carga Horária Teórica:	30 h.
Carga Horária Prática:	0 h.
Carga Horária Total:	30 h.
Pré-Requisitos:
Co-Requisitos:
Equivalências:
Excluir da Avaliação Institucional:	Não
Matriculável On-Line:	Sim
Horário Flexível da Turma:	Sim
Horário Flexível do Docente:	Sim
Obrigatoriedade de Nota Final:	Sim
Pode Criar Turma Sem Solicitação:	Não
Necessita de Orientador:	Não
Exige Horário:	Sim
Permite CH Compartilhada:	Não
Permite Componente Flexível:	Não
Quantidade de Avaliações:	1
Ementa/Descrição:	● Introdução à Inteligência Artificial na Industria 5.0 ● Definição de Inteligência Artificial e histórico. ● Abordagens simbólicas vs. abordagens baseadas em dados. ● Aplicações de IA em diversas áreas ● Indústria 4.0 e seu pilares: manufatura aditiva, robôs autônomos, integração de sistemas, internet das coisas (IoT), Big Data, computação em nuvem, simulação, cybersegurança) e Indústria 5.0 ● Sistemas Especialistas ● Noções introdutórias de Aprendizado de Máquina no contexto de Indústria 5.0 ● Algoritmos de aprendizado supervisionado (regressão e classificação), não supervisionado (clusterização) e por reforço . ● Avaliação de modelos de aprendizado de máquina. ● Redes Neurais Artificiais e Deep Learning. ● Noções introdutórias de Processamento de Linguagem Natural (PLN) ● Fundamentos do processamento de linguagem natural. ● Extração de características de texto. ● Modelos de linguagem e aplicativos de PLN. ● Automação Inteligente de processos: ● Robótica ● Sistemas Autônomos ● Visão Computacional ● Visão de Máquina ● Evolução dos sistemas produtivos com o avanço da Indústria 5.0: ● Integração homem-máquina ● Personalização (preference modeling) ● Flexibilidade dos sistemas ● Adaptações a mudanças ● Novo papel do ser humano com o advento e evolução da IA: ● Tarefas que exigem mais habilidades cognitivas e criativas Tomada de decisão: Data driven: Inteligência Artificial Preference driven: Inteligência natural (seres humanos) ● Ética e Implicações Sociais da IA ● Questões éticas e sociais relacionadas à IA. ● Bias e equidade em algoritmos de IA.● Regulamentações e diretrizes éticas. ● Aplicações de Inteligência Artificial
Referências:	Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Jurafsky, D., & Martin, J. H. (2020). Speech and Language Processing. Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review, 1(1). Diakopoulos, N. (2016). Accountability in Algorithmic Decision Making. Digital Journalism, 4(6), 700-708. Szeliski, R. (2010). Computer Vision: Algorithms and Applications. GINSBERG, M. , Essentials Of Artificial Intelligence . Morgan Kaufmann, 1994. RICH, E., KNIGHT, K. , Artificial Intelligence . McGraw-Hill, 2nd edition,1991. Rosa, J. L. G. Fundamentos da Inteligência Artificial, LTC, 2011. Luger, G. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Addison-Wesley Pub Co, 2008 Bittencourt, G. Inteligência artificial: ferramentas e teorias. 3.ed. Florianópolis: Editora da UFSC, 2006. Coelho, H. Inteligência artificial em 25 lições. Lisboa: Fundação Calouste Gulbenkian, 1995. Jones, M.T. Artificial Intelligence. Jones and Bartlett Publisher, 2009. Faceli, K.; Lorena, A.C.; Gama, J.; Carvalho, A.C.P.L.F. Inteligência Artificial: uma abordagem de aprendizado de máquina. LTC, 2011. Géron. “Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, 2017. McKinney, W. Python para Análise de Dados: Tratamento com Pandas, NumPy e IPython, Novatec, 2020. C. Doersch. -Tutorial on Variational Autoencoders-, arXiv 1606.05908v2 [stat.ML], 2016. Artigos específicos.

<< Voltar