Home
/
Área Acadêmica
/
Disciplinas
/
Disciplinas ofertadas pelo programa
/
Inteligência Artificial Aplicada ao Agronegócio

Inteligência Artificial Aplicada ao Agronegócio

Obrigatória: Não

Carga Horária: 45 h/a

Créditos: 3

Linhas de Pesquisa

Tecnologias computacionais aplicadas à produção agrícola.

Tecnologias computacionais aplicadas à agroindústria

Ementa

Fundamentos de inteligência artificial e aprendizado de máquina. Aprendizado supervisionado, não supervisionado e semissupervisionado. Principais paradigmas: simbólico, estatístico, conexionista, evolutivo e híbrido. Pré-processamento e análise de dados agrícolas e agroindustriais. Seleção e extração de atributos. Modelos de classificação, regressão e agrupamento: árvores de decisão, SVM, redes neurais, k-NN, redes bayesianas. Métodos de ensemble e boosting. Validação de modelos: métricas, validação cruzada, testes estatísticos, curvas de aprendizado. Aplicações em previsão de produtividade, detecção de doenças, otimização logística, automação e tomada de decisão no agronegócio. Estudos de caso reais utilizando dados do setor.

Bibliografia

Bibliografia Básica

  • FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. Inteligência Artificial – Uma Abordagem de Aprendizado de Máquina. LTC, 2021.
  • ALPAYDIN, E. Introduction to Machine Learning. 4th ed. MIT Press, 2020.
  • MITCHELL, T. M. Machine Learning. McGraw-Hill, 1997.
  • BISHOP, C. M. Pattern Recognition and Machine Learning. Springer, 2006.
  • ZHANG, Q.; WU, X.; LU, J. Artificial Intelligence in Agriculture. Academic Press, 2021.

Bibliografia Complementar

  • ZHOU, Z.-H. Ensemble Methods: Foundations and Algorithms. Chapman & Hall/CRC, 2012.
  • GAN, G.; MA, C.; WU, J. Data Clustering: Theory, Algorithms, and Applications. SIAM, 2007.
  • PERSAUD, A. AI and IoT for Smart Agriculture. CRC Press, 2022.
  • SHAH, S. C. Artificial Intelligence and Data Analytics for Agriculture. Springer, 2023.
  • SHAHIN, M. A.; CAMPOY, P. Artificial Intelligence in Precision Agriculture. Elsevier, 2022.
  • FLACH, P. Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press, 2012.
  • EVERITT, B. S. et al. Cluster Analysis. 5th ed. Wiley, 2011.
Reportar erro