Inteligência Artificial: Algoritmos Genéticos
4.6 (24 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
92 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Inteligência Artificial: Algoritmos Genéticos to your Wishlist.

Add to Wishlist

Inteligência Artificial: Algoritmos Genéticos

Uma abordagem para Iniciantes
4.6 (24 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
92 students enrolled
Created by Camilo Barreto
Last updated 1/2017
Portuguese
Curiosity Sale
Current price: $10 Original price: $65 Discount: 85% off
30-Day Money-Back Guarantee
Includes:
  • 5.5 hours on-demand video
  • 13 Supplemental Resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I Learn?
  • Desenvolver um Algoritmo Genético para encontrar soluções dentre muitas possíveis com a Computação Evolutiva
  • Projetar e Desenvolver AGs para determinado problema em que os seres humanos não são capazes
View Curriculum
Requirements
  • Lógica de Programação (Básico)
  • Linguagem c# (Básico)
  • Orientação a Objeto (Básico)
Description

Um Algoritmo Genético (AG) é uma técnica de busca utilizada na ciência da computação para achar soluções aproximadas em problemas de otimização e busca. Algoritmos genéticos diferem dos algoritmos tradicionais de otimização em basicamente quatro aspectos:

  • Baseiam-se em uma codificação do conjunto das soluções possíveis, e não nos parâmetros da otimização em si;
  • Os resultados são apresentados como uma população de soluções e não como uma solução única;
  • Não necessitam de nenhum conhecimento derivado do problema, apenas de uma forma de avaliação do resultado;
  • Usam transições probabilísticas e não regras determinísticas.
função AlgoritmoGenético(população, função-objetivo) saídas: indivíduo
  entradas: população→ uma lista de indivíduos
            função-objetivo→ uma função que recebe um indivíduo e retorna um número real.
  repetir
     lista de pais := seleção(população, função-objetivo)
     população := reprodução(lista de pais)
  enquanto nenhuma condição de parada for atingida
  retorna o melhor indivíduo da população de acordo com a função-objetivo

Este é um curso para quem deseja começar a desenvolver algoritmos para Inteligência Artificial.

Neste curso você aprenderá a teoria básica sobre Algoritmos Genéticos, vamos percorrer todo o caminho no que tange o AG, começando com a teoria da evolução de Darwin e terminando com o desenvolvimento de um Algoritmo Genético para maximizar uma função matemática.

Estrutura Curricular:

  1. Teoria do Algoritmo Genético
    1. Inteligência Computacional
    2. Um pouco de Biologia
    3. Conceitos Básicos de AG
    4. Aprofundando em Algoritmos Genéticos
      1. Arquitetura do AG
      2. Representação Cromossômica
      3. Representação Populacional
      4. Função de Avaliação
      5. Média da População
      6. Operadores Genéticos
      7. Seleção dos Pais
      8. Operador Crossover
      9. Operador Mutação
  2. Desenvolvimento de um Algoritmo Genético
    1. Introdução a Maximização de Funções
    2. Arquitetura do Projeto
    3. Preparando o Visual Studio C#
    4. Programando a Classe CONSTANTS
    5. Programando a Classe INDIVIDUO
    6. Programando a Classe POPULACAO
    7. Programando a Classe ALGORITMOSGENETICOS
    8. Programando a Interface Gráfica
    9. Apresentação da Execução do Algoritmo Genético
Who is the target audience?
  • Estudantes iniciantes em Inteligência Artificial
  • Pessoas que procuram aprimorar processos por meio de Computação Evolutiva
Students Who Viewed This Course Also Viewed
Curriculum For This Course
29 Lectures
05:20:31
+
Introdução ao Curso
1 Lecture 13:03

Estrutura Curricular:

  1. Teoria do Algoritmo Genético
    1. Inteligência Computacional
    2. Um pouco de Biologia
    3. Conceitos Básicos de AG
    4. Aprofundando em Algoritmos Genéticos
      1. Arquitetura do AG
      2. Representação Cromossômica
      3. Representação Populacional
      4. Função de Avaliação
      5. Média da População
      6. Operadores Genéticos
      7. Seleção dos Pais
      8. Operador Crossover
      9. Operador Mutação
  2. Desenvolvimento de um Algoritmo Genético
    1. Introdução a Maximização de Funções
    2. Arquitetura do Projeto
    3. Preparando o Visual Studio C#
    4. Programando a Classe CONSTANTS
    5. Programando a Classe INDIVIDUO
    6. Programando a Classe POPULACAO
    7. Programando a Classe ALGORITMOSGENETICOS
    8. Programando a Interface Gráfica
    9. Apresentação da Execução do Algoritmo Genético


Preview 13:03
+
Teoria dos Algoritmos Genéticos
9 Lectures 01:26:53
Introdução ao Algoritmos Genéticos
18:27

AG: Representação Cromossômica
06:20

AG: Representação Populacional
03:48

AG: Função de Avaliação
05:02

AG: Média de Avaliação da População
05:36

AG: Fluxo de Execução do Algoritmo Genético
15:53

AG: Seleção dos Pais
12:27

AG: Operador de Crossover
12:33

AG: Operador de Mutação
06:47
+
Desenvolvimento do Algoritmo Genético (Maximização de Função)
18 Lectures 03:39:26
Introdução à Maximização de Funções
06:38


Configurando o Visual Studio para Projeto de AG
05:42

Prog: Classe Constants (Parâmetros do AG)
10:21

Prog: Classe Individuo - Parte 1
16:42

Prog: Classe Individuo - Parte 2
15:49

Prog: Classe Populacao - Parte 1
13:44

Prog: Classe Populacao - Parte 2
14:33

Prog: Classe Populacao - Parte 3
13:36

Prog: Classe AlgoritmoGenetico - Parte 1
19:17

Prog: Classe AlgoritmoGenetico - Parte 2
19:20

Prog: Classe AlgoritmoGenetico - Parte 3
17:37

Prog: Interface Gráfica de Usuário
11:23

Prog: Back End da Interface Gráfica de Usuário - Parte 1
18:40

Prog: Back End da Interface Gráfica de Usuário - Parte 2
11:54

Prog: Back End da Interface Gráfica de Usuário - Parte 3
12:16

Analisado a Evolução: Modificando os Parâmetros de Configuração
04:47

+
Considerações Finais
1 Lecture 01:09
Finalizando o Curso
01:09
About the Instructor
Camilo Barreto
4.5 Average rating
50 Reviews
202 Students
3 Courses
Pesquisador e Professor

Mestre em ciências (2016) pelo programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Uberlândia com ênfase em Realidade Virtual para sistemas críticos de energia elétrica. Possui formação acadêmica na área de Engenharia da Computação (2014) pela Universidade de Uberaba. Especialista em modelagem 3D no 3Ds Max Studio, projetos 3D no SolidWorks e AutoCAD. Possui conhecimentos em criação de ambientes virtuais realísticos e ferramentas de edição em Unity Engine. Interesses especiais na área de Realidade Virtual/Aumentada, Reconstrução de Ambientes, Processamento Digital de Imagens, Sistemas de Robótica Móvel e Sistemas Micro controlados. Atualmente é doutorando no Programa de Pós-Graduação em Engenharia Elétrica pela Universidade Federal de Uberlândia (UFU), professor substituto em Análise e Desenvolvimento do IFTM - Uberlândia - Campus Centro e integra o Grupo de Pesquisa em Realidade Virtual e Aumentada (GRVA - UFU).