Cel kształcenia i wykaz literatury

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

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 wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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.

Efekty kształcenia dla zajęć

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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
5	TK01	Istota i charakterystyka sztucznej inteligencji jako dziedziny naukowej. Zakres badań nad sztuczną inteligencją. Działy i metody sztucznej inteligencji: wnioskowanie, przeszukiwanie, uczenie maszynowe, systemy rozmyte. Perspektywy rozwoju sztucznej inteligencji. Ocena inteligencji: Test Touringa, chiński pokój Searla.	W01	MEK01 MEK02 MEK04 MEK05 MEK06
5	TK02	Systemy ekspertowe: architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe. Doradcze systemy oparte o bazę wiedzy. Zalety i wady systemów ekspertowych	W02	MEK01 MEK06
5	TK03	Paradoks Moraveca powodem powstania sztucznych sieci neuronowych. Rys historyczny sztucznych sieci neuronowych. Kategorie zastosowań sztucznych sieci neuronowych. Opis wybranych obszarów aplikacyjnych sztucznych sieci neuronowych. Podstawowy zestaw pojęć dotyczący sztucznych sieci neuronowych, opis wybranych funkcji aktywacji. Klasyfikacja sztucznych sieci neuronowych.Opis wybranych typów sztucznych sieci neuronowych. Proces uczenia sieci neuronowej. Przykład działania sieci neuronowej z procesem uczenia: forward i back-propagation. Zalety i wady sztucznych sieci neuronowych. Sieci neuronowe w "Statistica Neural Networks".	W03, W04	MEK02 MEK03
5	TK04	Reprezentacja niepewności: Teoria zbiorów rozmytych, Logika rozmyta, baza reguł rozmytych i rozmyte wnioskowanie. Przetwarzanie wiedzy niepewnej, rozmytej. Pojęcia zmiennej lingwistycznej. Budowa sterownika rozmytego. Budowa systemu wnioskowania rozmytego.	W05	MEK02 MEK04
5	TK05	Podstawy algorytmów genetycznych: ogólny schemat i składniki; reprodukcja i selekcja; rekombinacja – krzyżowanie (proste, arytmetyczne); mutacja (równomierna, brzegowa, nierównomierna – lokalne dostrajanie). Zagadnienia implementacyjne z zakresu zastosowań algorytmów genetycznych i ewolucyjnych (algorytm dla rozwiązywania zadania komiwojażera, zagadnienia plecakowe, w szeregowaniu zadań).	W06	MEK02 MEK05
5	TK06	Tworzenie systemów ekspertowych w środowisku zintegrowanego pakietu sztucznej inteligencji AITECH SPHINX. Opracowanie bazy wiedzy za pomocą szkieletowego systemu PC Shell 4.5.	L01, L02	MEK01 MEK02 MEK06
5	TK07	Przygotowanie zbiorów danych uczących dla modelowania i symulacji sztucznych sieci neuronowych w środowisku oprogramowania Statistica Neural Networks. Rozwiązywanie praktycznych zadań klasyfikacji, prognozowania i grupowania za pomocą sieci neuronowych, w tym wielowarstwowy perceptron, RBF oraz sieci neuronowej Kohonena.	L03, L04, L05	MEK02 MEK03
5	TK08	Tworzenie systemu rozmytego wnioskowania. za pomocą pakietu programowego Fuzzy Logic Toolbox for MATLAB. Opracowanie systemów doradczych opartych na logice rozmytej.	L06	MEK02 MEK04

Nakład pracy studenta

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)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

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