LEB5052 - Inteligência Artificial em Biossistemas: Princípios e Aplicações

Carga Horária

Docentes responsáveis
Roberto Fray da Silva

Objetivo
Capacitar o estudante a: (i) entender, analisar, e implementar as principais etapas do ciclo de vida dos
dados, da geração dos dados ao fornecimento de resultados para auxílio à tomada de decisões; (ii)
entender conceitos essenciais de inteligência artificial, como tipos de dados, fluxo de trabalho
envolvendo todo o ciclo dos dados, tipos de aprendizagem, tipos de modelos e seus usos; (iii) entender
as características dos principais modelos de inteligência artificial utilizados em aprendizagem
supervisionada e aprendizagem não supervisionada; e (iv) analisar problemas espaciais e temporais em
biossistemas utilizando modelos de inteligência artificial.

Conteúdo
1. Conceitos básicos de programação na linguagem Python: workflow, variáveis, loops, data types,
algoritmos, debugging; 2. Ciclo de vida dos dados: definição, componentes e sua importância, coleta de
dados, fusão de dados tabulares, principais formas de processamento, análise exploratória dos dados,
inteligência artificial e extração do conhecimento, análise e interpretação de resultados de modelos; 3.
Inteligência artificial: definição, tipos de dados, fluxo de trabalho, tipos de aprendizagem, tipos de
modelos, principais usos, exemplos de aplicação em sistemas agropecuários e florestais, temas de
grande relevância na pesquisa em inteligência artificial; 4. Aspectos essenciais para escolha de modelos
de inteligência artificial: limitações de modelos, dados disponíveis, resultados desejados, tipo de
problema, papel de especialistas de domínio e tomadores de decisões; 5. Problemas e dificuldades no
uso de modelos de inteligência artificial: maldição da dimensionalidade, principais erros de
implementação, principais erros conceituais, impacto da falta de dados em diferentes abordagens,
impacto de diferentes técnicas de processamento, impacto de padronização, detecção e formas de se
endereçar conjuntos de dados com outliers, necessidade do uso de baselines para comparação de
resultados; 6. Dados espaciais, temporais, e espaço-temporais: definição, dificuldades, principais
modelos supervisionados e não supervisionados utilizados, exemplos de aplicação em biossistemas; 7.
Estudos de caso em biossistemas, considerando problemas temporais, espaciais, e espaço-temporais,
como previsão de preços de commodities utilizando diferentes modelos supervisionados, análise
exploratória de dados, previsão de potenciais zonas impactadas por seca utilizando aprendizagem não
supervisionada, dentre outros.

Bibliografia
1. Langtangen, H.P., 2016. A primer on scientific programming with Python. Springer-Verlag Berlin
Heidelberg.
2. Hao, J. and Ho, T.K., 2019. Machine learning made easy: a review of scikit-learn package in python
programming language. Journal of Educational and Behavioral Statistics, 44(3), pp.348-361.
3. De Silva, D. and Alahakoon, D., 2022. An artificial intelligence life cycle: From conception to
production. Patterns, 3(6).
4. Polyzotis, N., Roy, S., Whang, S.E. and Zinkevich, M., 2018. Data lifecycle challenges in production
machine learning: a survey. ACM SIGMOD Record, 47(2), pp.17-28.
5. Himeur, Y., Rimal, B., Tiwary, A. and Amira, A., 2022. Using artificial intelligence and data fusion for
environmental monitoring: A review and future perspectives. Information Fusion, 86, pp.44-75.
6. Ghosh, A., Nashaat, M., Miller, J., Quader, S. and Marston, C., 2018. A comprehensive review of tools
for exploratory analysis of tabular industrial datasets. Visual Informatics, 2(4), pp.235-253.
7. James, G., Witten, D., Hastie, T., Tibshirani, R. and Taylor, J., 2023. An introduction to statistical
learning: With applications in python. Springer Nature.
8. Russell, S.J. and Norvig, P., 2009. Artificial intelligence a modern approach. London. Pearson. 1152 p.
9. Wolfert, S., Ge, L., Verdouw, C., Bogaardt, M.J. Big data in smart farming–a review. Agricultural
Systems, 153, 2017, pp.69-80.
10. Saleem, M.H., Potgieter, J. And Arif, K.M., 2021. Automation in agriculture by machine and deep
learning techniques: A review of recent developments. Precision Agriculture, 22, pp.2053-2091.
11. Lecun, Y., Bengio, Y., Hinton, G. Deep learning. Nature, 521(7553), 2015, pp.436-444.
12. Jordan, M.I. and Mitchell, T.M., 2015. Machine learning: Trends, perspectives, and prospects.
Science, 349(6245), pp.255-260.
13. Tian, H., Wang, T., Liu, Y., Qiao, X. and Li, Y., 2020. Computer vision technology in agricultural
automation—A review. Information Processing in Agriculture, 7(1), pp.1-19.
14. Klompenburg, T. V.; Kassahun, A.; Catal, C. (2020). Crop yield prediction using machine learning: a
systematic literature review. Computers and Electronics in Agriculture, 177.
15. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., Bochtis, D. (2018). Machine learning in
agriculture: A review. Sensors, 18(8), 1–29.
16. Patrício, D.I. and Rieder, R., 2018. Computer vision and artificial intelligence in precision agriculture
for grain crops: A systematic review. Computers and electronics in agriculture, 153, pp.69-81.
17. Pathan, M., Patel, N., Yagnik, H. and Shah, M., 2020. Artificial cognition for applications in smart
agriculture: A comprehensive review. Artificial Intelligence in Agriculture, 4, pp.81-95.
18. Kamilaris, A. and Prenafeta-Boldú, F.X., 2018. Deep learning in agriculture: A survey. Computers and
electronics in agriculture, 147, pp.70-90.
19. Wang, Y., Zhang, W., Gao, R., Jin, Z. and Wang, X., 2021. Recent advances in the application of deep
learning methods to forestry. Wood Science and Technology, 55(5), pp.1171-1202.
20. Diez, Y., Kentsch, S., Fukuda, M., Caceres, M.L.L., Moritake, K. and Cabezas, M., 2021. Deep learning
in forestry using uav-acquired rgb data: A practical review. Remote Sensing, 13(14), p.2837.
21. Mahmud, M.S., Zahid, A., Das, A.K., Muzammil, M. and Khan, M.U., 2021. A systematic literature
review on deep learning applications for precision cattle farming. Computers and Electronics in
Agriculture, 187, p.106313.
22. Atluri, G., Karpatne, A. and Kumar, V., 2018. Spatio-temporal data mining: A survey of problems and
methods. ACM Computing Surveys (CSUR), 51(4), pp.1-41.
23. Kisilevich, S., Mansmann, F., Nanni, M. and Rinzivillo, S., 2010. Spatio-temporal clustering (pp.
855-874). Springer US.
24. Casali, Y., Aydin, N.Y. and Comes, T., 2022. Machine learning for spatial analyses in urban areas: a
scoping review. Sustainable Cities and Society, 85, p.104050.
25. Rolnick, D., Donti, P.L., Kaack, L.H., Kochanski, K., Lacoste, A., Sankaran, K., Ross, A.S.,
Milojevic-Dupont, N., Jaques, N., Waldman-Brown, A. and Luccioni, A.S., 2022. Tackling climate change
with machine learning. ACM Computing Surveys (CSUR), 55(2), pp.1-96.
26. Kaack, L.H., Donti, P.L., Strubell, E., Kamiya, G., Creutzig, F. and Rolnick, D., 2022. Aligning artificial
intelligence with climate change mitigation. Nature Climate Change, 12(6), pp.518-527.
27. Kikon, A. and Deka, P.C., 2022. Artificial intelligence application in drought assessment, monitoring
and forecasting: a review. Stochastic Environmental Research and Risk Assessment, 36(5),
pp.1197-1214.
28. Dikshit, A., Pradhan, B. and Santosh, M., 2022. Artificial neural networks in drought prediction in the
21st century–A scientometric analysis. Applied Soft Computing, 114, p.108080.