Cykl kształcenia: 2019/2020
Nazwa jednostki prowadzącej studia: Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów: Zarządzanie i inżynieria produkcji
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Informatyka w zarządzaniu przedsiębiorstwem, Systemy zapewnienia jakości produkcji, Zarządzanie systemami produkcyjnymi
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 773
Status zajęć: obowiązkowy dla programu Systemy zapewnienia jakości produkcji, Zarządzanie systemami produkcyjnymi
Układ zajęć w planie studiów: sem: 5 / W15 L15 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora: Wtorek 12.30 - 14.00, środa 10.30-12.00, gsetlak.v.prz.edu.pl
semestr 5: dr inż. Łukasz Paśko , termin konsultacji https://lukaszpasko.v.prz.edu.pl/konsultacje
semestr 5: mgr inż. Aneta Łobodzińska
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 są na stronach WWW prowadzących zajęcia
1 | L. Rutkowski | Metody i techniki sztucznej inteligencji | Wydawnictwo naukowe PWN, Warszawa. | 2009 |
2 | Osowski S. | Sieci neuronowe do przetwarzania informacji | Oficyna wydawnicz Politechniki Warszawskiej, Warszawa. | 2013 |
3 | Mulawka J. | Systemy ekspertowe | WNT, Warszawa. | 1996 |
1 | Rudra Pratap | Matlab dla naukowców i inżynierów | Wydawnictwo Naukowe PWN, Warszawa. | 2015, |
2 | J. Arabas | Wykłady z algorytmów ewolucyjnych | Wydawnictwa Naukowo-Techniczne, Warszawa. | 2001 |
3 | Rutkowska D., Piliński M., Rutkowski L. | Sieci neuronowe, algorytmy genetyczne i systemy rozmyte | PWN, Warszawa. | 1997 |
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, MS 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 PRK |
---|---|---|---|---|---|
01 | Zna podstawowe metody reprezentacji wiedzy i potrafi je wykorzystać w celu utworzenia bazy wiedzy dla systemu ekspertowego | wykład, laboratorium | zaliczenie cz. praktyczna, prezentacja projektu |
K_W17+++ K_U07+ K_K01+ |
P6S_UU P6S_UW P6S_WG |
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. praktyczna, egzamin cz. pisemna, zaliczenie cz. ustna |
K_W04+ K_W16+ K_U01+ |
P6S_UW P6S_WG |
03 | Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix) | laboratorium | zaliczenie cz. praktyczna |
K_W17+++ |
P6S_WG |
04 | Potrafi opracować sterownik dowolnym urządzeniem technicznym oraz system wnioskowania rozmytego, opartych na logice rozmytej i teorii zbiorów rozmytych | wykład, laboratorium | kolokwium, zaliczenie cz. praktyczna |
K_W04+ K_W16+ K_W17+++ K_U05+ K_K01+ |
P6S_UU P6S_UW P6S_WG |
05 | Potrafi wykorzystać algorytmy genetyczne do rozwiązywania zadań optymalizacyjnych i odsługiwać w tym celu niezbędne oprogramowanie, m.in. Global Optimization Toolbox for Matlab | wykład, laboratorium | kolokwium, zaliczenie cz. praktyczna |
K_W17+ K_U07+ K_K01+ |
P6S_UU P6S_UW P6S_WG |
06 | Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystaniem szkieletowego systemu ekspertowego | laboratorium | sprawozdanie z projektu, zaliczenie cz. praktyczna |
K_W04+ K_W16+++ K_K01+ |
P6S_UU P6S_WG |
07 | Studenci zdobywają pogłębioną wiedzę oraz umiejętność prowadzenia badań naukowych. | wykład, laboratorium | zaliczenie cz. praktyczna, kolokwium |
K_W17+++ K_U01+ K_U05++ K_U07+++ K_K01+ |
P6S_UU P6S_UW P6S_WG |
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 MEK06 | |
5 | TK02 | W02 | MEK01 MEK06 | |
5 | TK03 | W03, W04 | MEK02 MEK03 | |
5 | TK04 | W05, W06 | MEK04 MEK06 | |
5 | TK05 | W07, W08 | MEK02 MEK05 | |
5 | TK06 | L01, L02 | MEK01 MEK06 | |
5 | TK07 | L03, L04 | MEK02 MEK03 MEK07 | |
5 | TK08 | L05, L06 | MEK02 MEK04 MEK07 | |
5 | TK09 | L07, L08 | MEK02 MEK05 MEK07 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 5) | Przygotowanie do kolokwium:
3.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Studiowanie zalecanej literatury:
5.00 godz./sem. |
Laboratorium (sem. 5) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 2.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
3.00 godz./sem. Inne: 5.00 godz./sem. |
Konsultacje (sem. 5) | Udział w konsultacjach:
1.00 godz./sem. |
||
Zaliczenie (sem. 5) | Przygotowanie do zaliczenia:
2.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. Zaliczenie ustne: 2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Kolokwium pisemny weryfikuje osiągnięcie modułowych efektów kształcenia MEK01,MEK02,MEK04, MEK06. Kryteria weryfikacji efektów MEK01, MEK02, MEK04, MEK06: student musi poprawnie odpowiedzieć na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną, czyli jeżeli uzyska 50-70% punktów, ocenę dobry, jeżeli uzyska co najmniej 71- 80% punktów, ponad dobry (4,5) 81-90% punktów; ocenę bardzo dobry jeżeli uzyska powyżej 91% punktów. |
Laboratorium | Zaliczenie praktyczne zajęć laboratoryjnych weryfikuje wszystkie efekty modułowe kształcenia - MEK01-MEK07. Sprawdzian weryfikuje osiągnięcie modułowych efektów kształcenia MEK01, MEK02, MEK04, MEK06, MEK07. Kryteria weryfikacji efektów MEK01 - MEK07: student musi poprawnie odpowiedzieć na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną, czyli jeżeli uzyska 50-70% punktów, otrzyma ocenę dobry, jeżeli uzyska co najmniej 71- 80% punktów, ponad dobry (4,5) 81-90% punktów; ocenę bardzo dobry jeżeli uzyska powyżej 91% punktów. |
Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest jako średnia ważona oceny z wykładu z wagą 0,4 i laboratorium z wagą 0,6. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |
2 | Ł. Paśko; M. Piróg; G. Setlak | Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym | 2019 |