Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest zapoznanie studentów z podstawowymi metodami i narzędziami sztucznej inteligencji oraz możliwościami ich zastosowania w zarządzaniu i inżynierii produkcji do rozwiązywania złożonych problemów i zadań.

Ogólne informacje o zajęciach: Moduł jest obowiązkowym w ramach programu kształcenia na kierunku studiów zarządzanie i inżynieria produkcji. W ramach przedmiotu studenci poznają takie metody sztucznej inteligencji, jak: sztuczne sieci neuronowe, logikę rozmytą i algorytmy genetyczne. Poza tym nabędą umiejętności obsługi oprogramowania, pozwalające na tworzenie systemów ekspertowych oraz tworzenie baz wiedzy.

Materiały dydaktyczne: Udostępniane są na stronach WWW prowadzących zajęcia

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Kramer O.	Genetic Algorithm Essentials	Springer International Publishing AG.	2017
2	Osowski S.,	Sieci neuronowe do przetwarzania informacji	Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.	2013
3	Mulawka J.	Systemy ekspertowe	WNT, Warszawa.	1996
4	L. Rutkowski	Metody i techniki sztucznej inteligencji	Wydawnictwo Naukowe PWN, Warszawa.	2009

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Soares F. M., Souza A.	Neural Network Programming with Java	Packt Publishing.	2016
2	J. Cytowski	Algorytmy genetyczne. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza PLJ, Warszawa.	1996
3	J. Arabas	Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych	Wydawnictwa Naukowo-Techniczne, Warszawa.	2001
4	A. Łachwa	Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji	Akademicka Oficyna Wydawnicza EXIT, Warszawa .	2001

Literatura do samodzielnego studiowania

1

J. Arabas

Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych

Wydawnictwa Naukowo-Techniczne, Warszawa.

2001

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student musi być zarejestrowany na 7 semestr.

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_W04+ K_W16+ K_W17+++ K_U07+ K_K01+	T1P_W02+ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01++ T1P_U07+++ T1P_U09+++ InzP2_U02+++ T1P_K01+
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_W17+++ K_U01+ K_U05+ K_U07+	T1P_W02+ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01++ T1P_U07+++ T1P_U09+++ InzP2_U02+++
03	Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix)	laboratorium	zaliczenie cz. praktyczna	K_W04+ K_W17+++ K_U05+	T1P_W02+ T1P_W03+ T1P_W06++ InzP2_W02++ T1P_U01++ T1P_U07++ T1P_U09++ InzP2_U02++
04	Potrafi wykorzystać algorytmy genetyczne do rozwiązywania zadań optymalizacyjnych i odsługiwać w tym celu niezbędne oprogramowanie, m.in. Global Optimization Toolbox for Matlab	wykład	zaliczenie cz. pisemna	K_W04+ K_W16++ K_W17+++	T1P_W02+ T1P_W03++ T1P_W06+++ InzP2_W02+++
05	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_W04+ K_W16+++ K_W17+++ K_U01+ K_U05++ K_K01+	T1P_W02+ T1P_W03++ T1P_W06++ InzP2_W02++ T1P_U01+ T1P_U07++ T1P_U09++ InzP2_U02++ T1P_K01+

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
7	TK01	Istota i charakterystyka sztucznej inteligencji jako dziedziny naukowej. Zakres badań nad sztuczną inteligencją. Pozyskiwanie wiedzy. Metody reprezentacji wiedzy. Metody wnioskowania. Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki, budowa systemu automatycznego wnioskowania. Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz.	W01	MEK01 MEK04 MEK05
7	TK02	Podstawy sztucznych sieci neuronowych. Biologiczne podstawy neurokomputingu, podstawowy model neuronu i sieci neuronowej. Podstawowe reguły uczenia sieci neuronowych (z nauczycielem – reguła delta i bez nauczyciela – reguła Hebba). Podstawowe algorytmy uczenia sieci neuronowej. Samoorganizujące się sieci neuronowe Kohonena: podstawowy algorytm Self Organizing Map. Sieci neuronowe ze sprzężeniem zwrotnym: sieci Hopfielda i Hamminga Praktyczne zastosowania sieci neuronowych do rozwiązywania zadań: klasyfikacji, klasteryzacji, prognozowania, przetwarzania i rozpoznawanie obrazów, w automatyce.	W03, W04	MEK02 MEK03
7	TK03	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 MEK04
7	TK04	Przygotowanie zbiorów danych uczących dla modelowania i symulacji sztucznych sieci neuronowych w środowisku oprogramowania Statistica Neural Networks. Rozwiązywanie zadań klasyfikacji, prognozowania i grupowania za pomocą sieci neuronowych, w tym wielowarstwowy perceptron, RBF oraz Kohonena.	L03,L04,L05	MEK02 MEK03
7	TK05	Systemy ekspertowe: architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe. Doradcze systemy oparte o bazę wiedzy.	W02	MEK01 MEK05

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem. Inne: 10.00 godz./sem.
Konsultacje (sem. 7)
Zaliczenie (sem. 7)

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 modułowego (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 i zaliczenie wszystkich form zajęć. 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: nie