GCC1734 – Inteligência Artificial (CEFET/RJ)

Repositório utilizado na disciplina de IA.

---

Organização principal

• src/rl/ – agentes de Q-Learning (tabular, aproximação linear e rede neural/experience replay) e utilitários de ambientes Gymnasium.
• src/llm/, src/multiagent/, src/genai/ – exemplos voltados para modelos de linguagem e agentes.
• notebooks/ – materiais de apoio em Jupyter.
• requirements.txt – dependências gerais do repositório.

Cada subdiretório relevante contém um README específico com detalhes adicionais (por exemplo src/rl/README-qlt.md, README-qll.md, README-qln.md).

---

Ambiente recomendado

1. Criar o ambiente

   conda create -n gcc1734 python=3.10
   conda activate gcc1734

   Se preferir, use python -m venv .venv && source .venv/bin/activate.

2. Instalar dependências

   pip install --no-build-isolation -e .

   • Caso não queira a instalação editável, use pip install -r requirements.txt.
   • Adicione --user se encontrar problemas de permissão.

3. Verificar

   python -m rl.ql_train --help

---

Exemplos rápidos

• Todos os comandos abaixo devem ser executados a partir da raiz do projeto (~/ailab/gcc1734) depois de ativar o ambiente e instalar o pacote.

• Treinar agente tabular Taxi-v3

  python -m rl.ql_train --agent tabular --env_name Taxi-v3 --num_episodes 8000

• Treinar agente neural (MLP + replay)

  python -m rl.ql_train --agent neural --env_name Taxi-v3 --num_episodes 5000 --plot

• Executar agente treinado

  python -m rl.ql_play --agent tabular --env_name Taxi-v3 --num_episodes 5

• Executar notebooks

  jupyter notebook

Arquivos gerados (modelos .pkl, curvas .png) ficam na raiz do projeto por padrão.

---

Contribuindo

1. Crie uma branch para suas alterações.
2. Garanta que scripts/notebooks rodem antes do commit.
3. Abra um pull request descrevendo o que foi alterado.

Códigos e materiais podem ser reutilizados livremente para fins acadêmicos e de ensino.�