Trabalhos

Esta seção reúne os trabalhos práticos da disciplina. Os trabalhos são avaliações de maior escopo e permanecem separados das listas de exercícios.

Trabalho 01 - Busca

Valor: 20,0 pontos
Modalidade: individual ou em dupla
Linguagem: Python

Cronograma

Etapa Conteúdo Entrega
Parte 1 Busca não informada e informada 08/10/2026
Parte 2 e entrega final Busca local + relatório final 15/10/2026

Parte 1 - Busca não informada e informada

O agente deve navegar em uma grade ponderada. Devem ser implementados:

  • BFS;
  • DFS;
  • Busca de Custo Uniforme - UCS;
  • Busca Gulosa;
  • A*;
  • heurísticas Manhattan e Euclidiana.

O código-base já fornece a representação do ambiente, leitura do mapa, estruturas de resultado e interface de linha de comando. As funções dos algoritmos permanecem deliberadamente incompletas.

Parte 2 - Busca local

O segundo problema utiliza as 8 Rainhas e exige:

  • Hill Climbing básico, sem movimentos laterais;
  • Random-Restart Hill Climbing;
  • experimentos com sementes de 0 a 99;
  • análise quantitativa e discussão das falhas e reinícios.

Materiais públicos

Estão disponíveis:

Na pasta do trabalho estão disponíveis o código-base, mapa público, testes iniciais, instruções para o relatório, modelo SBC e declaração de uso de IA. O enunciado oficial prevalece sobre qualquer resumo apresentado na documentação do site.

Instruções de entrega do Trabalho 01

O desenvolvimento deve permanecer em repositório Git privado até o encerramento da correção, com acesso concedido ao professor.

  • Parte 1: tag entrega-parte1;
  • Entrega final: tag entrega-final.

A versão marcada pela tag correspondente será utilizada na avaliação. Consulte sempre o enunciado oficial para regras completas.

Trabalho 02 - Aprendizado de Máquina e Computação Natural

Entrega: 03/12/2026 · Valor: 20,0 pontos.

O enunciado oficial estabelece os requisitos completos. O trabalho compreende três partes:

  1. Aprendizado supervisionado (8,0 pontos): escolha de uma base UCI/Kaggle, análise exploratória, preparação dos dados e comparação entre Árvore de Decisão, KNN, SVM, Random Forest e AdaBoost.
  2. Computação Natural (8,0 pontos): escolha de um dos 50 problemas oficiais, com implementação própria de AG, PSO ou ACO e CLONALG (ou alternativa imune aprovada), sob a mesma formulação.
  3. Comparação, documentação e entrega (4,0 pontos): protocolo experimental, relatório e reprodutibilidade.

Materiais do Trabalho 02

O PDF contém a lista dos 50 problemas de otimização e orientações de adaptação dos três métodos. O enunciado oficial prevalece sobre os resumos desta página. Não são disponibilizadas implementações dos métodos de computação natural exigidos.