Cykl kształcenia: 2018/2019
Nazwa jednostki prowadzącej studia: Wydział Mechaniczno-Technologiczny
Nazwa kierunku studiów: zarządzanie i inżynieria produkcji
Obszar kształcenia: nauki techniczne
Profil studiów: praktyczny
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: 1 J - Systemy zarządzania jakością produkcji, 2 I - Informatyka w zarządzaniu przedsiębiorstwem, 3 O - Zarządzanie procesami produkcyjnymi w odlewnictwie
Tytuł otrzymywany po ukończeniu studiów:
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 10023
Status zajęć: obowiązkowy dla programu 1 J - Systemy zarządzania jakością produkcji, 2 I - Informatyka w zarządzaniu przedsiębiorstwem, 3 O - Zarządzanie procesami produkcyjnymi w odlewnictwie
Układ zajęć w planie studiów: sem: 5 / W15 L15 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Marcin Olech
Terminy konsultacji koordynatora: Poniedziałek: 12.15 - 13.45 (Tydzień A) Wtorek: 08.45- 10.15 (Tydzień A i B), 12
Główny cel kształcenia: Głównym celem kształcenia jest zapoznanie studentów z podstawowymi metodami i narzędziami sztucznej inteligencji oraz możliwościami ich zastosowań praktycznych w zarządzaniu i inżynierii produkcji.
Ogólne informacje o zajęciach: W ramach przedmiotu będą prezentowane narzędzia do tworzenia systemów ekspertowych i metody reprezentacji wiedzy oraz nowoczesne technologie i metody sztucznej inteligencji takie, jak: sztuczne sieci neuronowe, logika rozmyta i algorytmy genetyczne.
Materiały dydaktyczne: Umieszczane na stronach webowych prowadzących zajęcia
1 | Osowski S. | Sieci neuronowe do przetwarzania informacji | Oficyna wydawnicz Politechniki Warszawskiej, Warszawa. | 2013 |
2 | L. Rutkowski | Metody i techniki sztucznej inteligencji | Wydawnictwo naukowe PWN, Warszawa. | 2009 |
3 | Mulawka J. | Systemy ekspertowe | WNT, Warszawa. | 1996 |
4 | Kramer O. | Genetic Algorithm Essentials | Springer International Publishing AG. | 2017 |
5 | Coppin J. | Artificial Intelligence Illuminated | Jones And Bartlett Publishers. | 2004 |
1 | J. Arabas | Wykłady z algorytmów ewolucyjnych | Wydawnictwa Naukowo-Techniczne, Warszawa. | 2001 |
2 | Rutkowska D., Piliński M., Rutkowski L. | Sieci neuronowe, algorytmy genetyczne i systemy rozmyte | PWN, Warszawa. | 1997 |
3 | Soares F. M., Souza A. | Neural Network Programming With Java | Packt Publishing. | 2016 |
4 | Lewis N.D. | Build Your Own Neural Network Today! | CreateSpace Independent Publishing Platform. | 2015 |
1 | Cichosz P. | Systemy uczące się | WNT, Warszawa. | 2009 |
2 | Goldberg D. | Algorytmy genetyczne i ich zastosowania | WNT, Warszawa. | 1997 |
3 | M. Flasiński | Wstęp do sztucznej inteligencji | Wydawnictwo naukowe PWN, Warszawa. | 2011 |
Wymagania formalne: Student musi być zarejestrowany na semestr 5.
Wymagania wstępne w kategorii Wiedzy: Posiadanie podstawowej wiedzy w zakresie Technologii informacyjnych, Informatyki i Baz danych
Wymagania wstępne w kategorii Umiejętności: Posiadanie umiejętności obsługi oprogramowania Matlab, Microsoft Excel
Wymagania wstępne w kategorii Kompetencji społecznych: Rozumie potrzebę uczenia się przez całe życie; potrafi inspirować i organizować proces uczenia się innych osób.
MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z OEK |
---|---|---|---|---|---|
01 | Zna podstawowe metody reprezentacji wiedzy i potrafi je wykorzystać w celu utworzenia bazy wiedzy dla systemu ekspertowego | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K_W16++ K_W17++ |
T1P_W02+ T1P_W03+ T1P_W06+ InzP2_W02+ |
02 | Zna współczesne narzędzia sztucznej inteligencji, m.in. sztuczne sieci neuronowe, algorytmy genetyczne i potrafi je wykorzystać do rozwiązania złożonych zadań i problemów występujących w zarządzaniu i inżynierii produkcji | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K_W04++ K_W16++ K_W17+++ K_K01+ |
T1P_W02+ T1P_W03+ T1P_W06++ InzP2_W02++ |
03 | Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix) | laboratorium | zaliczenie cz. praktyczna |
K_W16+ K_W17+ K_U05+++ K_U07++ |
T1P_W02++ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01+ T1P_U07+++ T1P_U09++ InzP2_U02++ |
04 | Potrafi opracować sterownik dowolnym urządzeniem technicznym oraz system wnioskowania rozmytego, opartych na logice rozmytej i teorii zbiorów rozmytych | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K_W04+ K_W17+ K_U05+++ K_U07++ |
T1P_W02++ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01+ T1P_U07+++ T1P_U09++ InzP2_U02++ |
05 | Potrafi wykorzystać algorytmy genetyczne do rozwiązywania zadań optymalizacyjnych i odsługiwać w tym celu niezbędne oprogramowanie, m.in. Genetic Algorithm Toolbox for Matlab | wykład | zaliczenie cz. pisemna |
K_W04+ K_W16++ K_W17+++ |
T1P_W02++ T1P_W03+ T1P_W06++ InzP2_W02++ |
06 | Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystaniem szkieletowego systemu ekspertowego | laboratorium | zaliczenie cz. praktyczna |
K_W16+ K_W17+ K_U01++ K_U05+++ K_U07++ |
T1P_W02+ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01+ T1P_U07++ T1P_U09++ InzP2_U02++ |
Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
5 | TK01 | W01 | MEK01 MEK02 MEK04 MEK05 MEK06 | |
5 | TK02 | W02 | MEK01 MEK06 | |
5 | TK03 | W03, W04 | MEK02 MEK03 | |
5 | TK04 | W05 | MEK02 MEK04 | |
5 | TK05 | W06 | MEK02 MEK05 | |
5 | TK06 | L01, L02 | MEK01 MEK02 MEK06 | |
5 | TK07 | L03, L04, L05 | MEK02 MEK03 | |
5 | TK08 | L06 | MEK02 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 5) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 1.00 godz./sem. |
Laboratorium (sem. 5) | Przygotowanie do laboratorium:
2.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
|
Konsultacje (sem. 5) | |||
Zaliczenie (sem. 5) |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na kolokwium pisemnym wykładu sprawdzana jest realizacja pierwszego, drugiego, czwartego i piątego efektu modułowego (MEK01, MEK02, MEK04 i MEK05). Sprawdzian obejmuje 3 pytania dotyczące treści prezentowanych na zajęciach wykładowych. Poprawna odpowiedź na pytanie pozwala uzyskać 3 punkty. Częściowo poprawna odpowiedź na pytania pozwala uzyskać mniejszą ilość punktów. Maksymalna dopuszczalna ilość punktów z kolokwium zaliczeniowego to 9 pkt., co stanowi 100%. Przyjęto następującą skalę ocen: 90-100% - 5,0 (bdb); 75-89,9% - 4,5 (db+); 60-74,9% - 4,0 (db); 45-59,9% - 3,5 (dst+); 30 - 44,9% - 3,0 (dst); 0 - 29,9% - ndst (2,0). |
Laboratorium | Na zaliczeniu praktycznym laboratorium sprawdzana jest realizacja pierwszego, drugiego, trzeciego, czwartego i szóstego efektu modułowych (MEK01, MEK02, MEK03, MEK04, MEK06). Zaliczenie praktyczne składa się z dwóch zadań: a) Opracowanie szkieletowego systemu ekspertowego w aplikacji Aitech Sphinx 4.5 - maksymalna liczba punktów: 9. b) Udzielenie krótkich pisemnych odpowiedzi dotyczących pracy w pakiecie Statistica Neural Networks 4 - maksymalna liczba punktów: 9. Skala ocen: poniżej 30% punktów - ndst (2,0); 30-49,9% - dst (3,0); 50-69,9% - dst+ (3,5); 70-79,9% - db (4,0); 80-89,9% - db+ (4,5); powyżej 90% - bdb (5,0). |
Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych. Ocena końcowa wyznaczana jest jako średnia arytmetyczna oceny z wykładu i oceny z laboratorium. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | M. Olech; M. Rataj | Directions in Fuzzy Relation Equations: Conclusions from the Current State of the Art | 2022 |
2 | J. Litwin; M. Olech; A. Szymusik | Applying Python’s Time Series Forecasting Method in Microsoft Excel-Integration as a Business Process Supporting Tool for Small Enterprises | 2021 |
3 | J. Jakieła; M. Olech; M. Rataj | Crossing the Chasm-from Business Models to Software Architecture | 2020 |