Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Matematyki i Fizyki Stosowanej (p.prakt)
Nazwa kierunku studiów: Inżynieria i analiza danych
Obszar kształcenia: nauki ścisłe
Profil studiów: praktyczny
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: inżynieria i analiza danych
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Fizyki i Inżynierii Medycznej
Kod zajęć: 12552
Status zajęć: obowiązkowy dla programu inżynieria i analiza danych
Układ zajęć w planie studiów: sem: 6 / W20 L20 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Marcin Kowalik
Główny cel kształcenia: Teoretyczna wiedza i praktyczne wykorzystanie nowoczesnych metod uczenia maszynowego
Ogólne informacje o zajęciach:
1 | Bishop C.M. | Pattern Recognition and Machine Learning | Springer. | 2006 |
2 | Korbicz J., Obuchowicz A., Uciński D. | Sztuczne sieci neuronowe. Podstawy i zastosowania | Akademicka Oficyna Wydawnicza. | 1994 |
3 | Kecman V. | Learning and Soft Computing. Support Vector Machines, Neural Networks and Fuzzy Logic Models | MIT Press, Cambridge. | 2001 |
4 | Ferreira C. | Gene expression programming | Springer-Verlag. | 2006 |
5 | Sutton R.S., Barto A.G. | Reinforcement Learning: An Introduction | MIT Press, Cambridge. | 1998 |
6 | GoodFellow I, Bengio Y.. | Courville A. Deep learning - systemy uczące się | PWN, Warszawa. | 2018 |
Wymagania formalne: Student powinien być zarejestrowany na 6 semestr, po ukończonym module „Sztuczna inteligencja”. Student spełnia wymagania określone w regulaminie studiów.
Wymagania wstępne w kategorii Wiedzy: Student powinien posiadać podstawową wiedzę z zakresu matematyki, informatyki oraz obsługi komputera i korzystania ze środowisk programistycznych.
Wymagania wstępne w kategorii Umiejętności:
Wymagania wstępne w kategorii Kompetencji społecznych:
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 | Potrafi wskazać różnice pomiędzy problemem klasyfikacji i regresji | wykład, laboratorium | obserwacja wykonawstwa, raport pisemny |
K_W06+ K_U09+ K_U10+ K_K04+ |
P6S_KO P6S_KR P6S_UW P6S_WG |
02 | Potrafi podać różnice pomiędzy uczeniem nadzorowanym, nienadzorowanym i uczeniem się ze wzmocnieniem | wykład, laboratorium | obserwacja wykonawstwa, raport pisemny |
K_W06+ K_U09+ K_U10+ K_K04+ |
P6S_KO P6S_KR P6S_UW P6S_WG |
03 | Potrafi wyjaśnić podstawy analizy czułości na przykładzie sieci neuronowej | wykład, laboratorium | obserwacja wykonawstwa, raport pisemny |
K_W06+ K_U09+ K_U10+ K_K04+ |
P6S_KO P6S_KR P6S_UW P6S_WG |
04 | Potrafi zaproponować sieć neuronową do zadanego problemu klasyfikacji | wykład, laboratorium | obserwacja wykonawstwa, raport pisemny |
K_W06+ K_U09+ K_U10+ K_K04+ |
P6S_KO P6S_KR P6S_UW P6S_WG |
05 | Potrafi wytłumaczyć ideę algorytmu ewolucyjnego | wykład, laboratorium | obserwacja wykonawstwa, raport pisemny |
K_W06+ K_U09+ K_U10+ K_K04+ |
P6S_KO P6S_KR 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 |
---|---|---|---|---|
6 | TK01 | W02 | MEK04 | |
6 | TK02 | W03 | MEK04 | |
6 | TK03 | W04 | MEK04 | |
6 | TK04 | W05 | MEK03 | |
6 | TK05 | W06 | MEK02 | |
6 | TK06 | W07 | MEK05 | |
6 | TK07 | W08 | MEK04 | |
6 | TK08 | W09 | MEK01 | |
6 | TK09 | W10 | MEK01 MEK02 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Godziny kontaktowe:
20.00 godz./sem. |
||
Laboratorium (sem. 6) | Godziny kontaktowe:
20.00 godz./sem. |
||
Konsultacje (sem. 6) | Udział w konsultacjach:
2.00 godz./sem. |
||
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
6.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | |
Laboratorium | |
Ocena końcowa | zaliczenie na podstawie 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 | A. Horzyk; M. Kowalik; J. Starzyk | Motivated Agent with Semantic Memory | 2023 |
2 | L. Dadiel; Ł. Gondek; C. Jastrzębski; M. Kowalik; S. Kumar Naik; P. Pęczkowski; W. Tabiś; W. Tokarz; P. Zachariasz; J. Żukrowski | Iron diffusivity into superconducting YBa2Cu3O7−δ at oxygen-assisted sintering: structural, magnetic, and transport properties | 2021 |