Tópicos em IA Ementa da disciplina A disciplina integra duas áreas da ciência da computação: mineração de dados e algoritmos evolutivos. Em geral mineração de dados consiste na extração de conhecimento de dados. Conhecimento que poderá ser potencialmente útil na tomada de decisões inteligentes. A idéia de utilizar algoritmos evolutivos nesta atividade se justifica por eles serem métodos de busca robustos. Na disciplina se apresentara o conceito básico de ambas áreas focando-se na sua integração. Programa I Fase 1 I Introdução 1.1 Mineração de dados e o processo de descoberta de conhecimento 1.2 Representação do Conhecimento 1.3 Paradigmas de Mineração de dados. 2 Tarefas de Mineração de dados e conceitos 2.1 Classificação 2.2 Modelo de Dependências 2.3 Medidas de Qualidade da Predição 2.4 Agrupamento 2.5 Bias de Indução 3 Paradigmas de Mineração 3.1 Algoritmos de Indução de Arvores de decisão 3.2 Algoritmos de Indução de Regras 3.3 Algoritmos Baseados em Instâncias 4 Conceitos Básicos de Algoritmos Evolutivos (AEs) 4.1 Estrutura básica do Algoritmo 4.2 Métodos de Seleção 4.3 Algoritmos Genéticos (AG) 4.4 Programação Genética (PG) 4.5 Niching 5 Vida Artificial 5.1 Colônia de Formigas 5.2 Otimização por Nuvem de Partículas II FASE 2 6 Algoritmos Genéticos na descoberta de regras 6.1 Representação do individuo 6.2 Operadores específicos Generalização /Especialização 6.3 Inicialização da população 6.4 Método de seleção 6.5 Avaliação de Fitness 7 Programação Genética na descoberta de regras 7.1 O problema de fechamento 7.2 Booleanizaçao dos terminais 7.3 PG restrita por sintaxes e fortemente tipada 7.4 PG baseada em gramática 7.5 PG na indução de arvores de decisão 8 Algoritmos Evolutivos para Agrupamento 8.1 Representação dos indivíduos 8.4 Avaliação de fitness 8.5 Comparação com algoritmos clássicos 9 Algoritmos Evolutivos na preparação dos dados 9.1 AEs para seleção de atributos 9.2 AEs para ponderar atributos 9.4 PG na construção de atributos 9.5 Abordagens híbridas Livro texto Alex A. Freitas Data Mining and Knowledge Discovery with Evolutionary Algorithms Springer-Verlag, August 2002. Metodologia Fase 1. Aulas expositivas Fase 2. Seminários feitos pelos alunos Avaliação 50% Prova + 50% Trabalhos Trabalhos: 10% Seminários, 10%Trabalho WEKA, 30% Projeto (implementação+apresentação). Software Weka Lilgp EO+