Karta przedmiotu
Podstawy sztucznej inteligencji
Podstawowe informacje o zajęciach
Cykl kształcenia:
2025/2026
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 Informatyka w zarządzaniu przedsiębiorstwem, 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 1:
dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora:
https://gsetlak.v.prz.edu.pl/konsultacje Poniedziałek 12.30-14.00, środa 12.15 - 13.45
Imię i nazwisko koordynatora 2:
dr inż. Łukasz Paśko
Terminy konsultacji koordynatora:
https://lukaszpasko.v.prz.edu.pl/konsultacje
semestr 5:
mgr inż. Aneta Łobodzińska , termin konsultacji https://alobodzinska.v.prz.edu.pl/konsultacje
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:
Moduł jest obowiązkowy dla wszystkich studentów kierunku Zarządzanie i inżynieria produkcji. W ramach modułu będą prezentowane narzędzia do tworzenia sztucznych sieci neuronowych, systemów rozmytego wnioskowania i do optymalizacji z wykorzystaniem algorytmów genetycznych.
Materiały dydaktyczne:
Materiały udostępniane są na stronach WWW prowadzących zajęcia.
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | Rutkowski L. | Metody i techniki sztucznej inteligencji | Wydawnictwo naukowe PWN, Warszawa. | 2009 |
| 2 | Osowski S. | Sieci neuronowe do przetwarzania informacji | Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa. | 2020 |
| 3 | Wakulicz-Deja A. | Systemy ekspertowe | Akademicka Oficyna Wydawnicza EXIT, Warszawa. | 2018 |
| 4 | Michalewicz Z. | Algorytmy genetyczne, struktury danych, programy ewolucyjne | WNT, Warszawa. | 2003 |
| 1 | Arabas J. | Wykłady z algorytmów ewolucyjnych | WNT, Warszawa. | 2004 |
| 2 | Alto V. | Generatywna sztuczna inteligencja z ChatGPT i modelami OpenAI. Podnieś swoją produktywność i innowacyjność za pomocą GPT3 i GPT4 | Helion, Gliwice. | 2024 |
| 1 | Trask A.W. | Zrozumieć głębokie uczenie | PWN, Warszawa. | 2019 |
| 2 | Goldberg D. | Algorytmy genetyczne i ich zastosowania | WNT, Warszawa. | 2003 |
| 3 | Flasiński M. | Wstęp do sztucznej inteligencji | PWN, Warszawa. | 2018 |
Wymagania wstępne w kategorii wiedzy / umiejętności / kompetencji społecznych
Wymagania formalne:
Rejestracja na co najmniej semestrze piątym na kierunku Zarządzanie i inżynieria produkcji.
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 i MS 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 PRK |
|---|---|---|---|---|---|
| MEK01 | Opisuje możliwości, ograniczenia i obszary zastosowań sztucznej inteligencji w inżynierii produkcji oraz kwestie etyczne i normy prawne w przypadku generatywnej sztucznej inteligencji. | wykład | kolokwium |
K-W04+ K-W16++ K-W17+++ |
P6S-WG |
| MEK02 | Integruje modele uczenia maszynowego i narzędzia generatywnej sztucznej inteligencji do rozwiązywania problemów występujących w inżynierii produkcji i do zwiększania produktywności pracy. | laboratorium | zaliczenie cz. praktyczna |
K-U01+ K-U04++ K-U05+++ K-U07+++ |
P6S-UU P6S-UW |
| MEK03 | Opracowuje system wspomagania decyzji z zastosowaniem logiki rozmytej i generatywnej sztucznej inteligencji. | laboratorium | zaliczenie cz. praktyczna |
K-U01++ K-U04++ K-U05+++ K-U07+++ |
P6S-UU P6S-UW |
Treści kształcenia dla zajęć
| Sem. | TK | Treści kształcenia | Realizowane na | MEK |
|---|---|---|---|---|
| 5 | TK01 | W01 | MEK01 | |
| 5 | TK02 | W02 | MEK01 | |
| 5 | TK03 | W03 | MEK01 | |
| 5 | TK04 | W04 | MEK01 | |
| 5 | TK05 | W05 | MEK01 | |
| 5 | TK06 | W06 | MEK01 | |
| 5 | TK07 | W07 | MEK01 | |
| 5 | TK08 | W08 | MEK01 | |
| 5 | TK09 | L01 | MEK02 | |
| 5 | TK10 | L02 | MEK02 | |
| 5 | TK11 | L03 | MEK02 | |
| 5 | TK12 | L04 | MEK02 | |
| 5 | TK13 | L05 | MEK03 | |
| 5 | TK14 | L06 | MEK03 | |
| 5 | TK15 | L07 | MEK02 | |
| 5 | TK16 | L08 | MEK02 MEK03 |
Nakład pracy studenta
| 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. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
3.00 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. |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Wykład | Sprawdzian pisemny weryfikuje osiągnięcie modułowego efektu kształcenia MEK01. Student musi poprawnie odpowiedzieć na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną. Ponadto, zdobyte punkty za wszystkie zadania dotyczące MEK01 są sumowane. Student uzyskuje ocenę z MEK01 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). |
| Laboratorium | Sprawdzian praktyczny, odbywający się na laboratorium, weryfikuje modułowe efekty kształcenia MEK02 i MEK03. Sposób oceniania MEK02: student rozwiązuje zadania dotyczące zastosowania sieci neuronowych i algorytmów genetycznych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK02 są sumowane. Student uzyskuje ocenę z MEK02 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK03: student rozwiązuje zadania dotyczące tworzenia systemów rozmytego wnioskowania. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK03 są sumowane. Student uzyskuje ocenę z MEK03 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). |
| Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest jako średnia ważona ocen uzyskanych z zaliczenia MEK01, MEK02 i MEK03. Stosowane są następujące wagi: 0,2 dla MEK01, 0,4 dla MEK02 i MEK03. |
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; Ł. Paśko | Determine Selected Delivery Parameters Using Multi-Agent-Based Simulation: A Case Study | 2025 |
| 2 | I. Bagdoniene; A. Briones; V. Caballero; A. Carreras-Coch; G. Dec; R. Figliè; J. Navarro; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Bridging academia and industry in the era of Industry 4.0 by means of the triple helix: The PLANET4 initiative | 2024 |
| 3 | M. Olech; Ł. Paśko | Customer Trust Versus Retailer Profit: A Case Study on Optimising Base Stock Level Using Multi-Agent-Based Simulation | 2024 |
| 4 | R. Amadio; A. Carreras-Coch; R. Figliè; D. Mazzei; J. Navarro; Ł. Paśko; D. Stadnicka; C. Stylios; M. Tyrovolas; A. Zaballos | Towards a Taxonomy of Industrial Challenges and Enabling Technologies in Industry 4.0 | 2024 |
| 5 | Ł. Paśko; G. Setlak | Image as a Way of Processing Multidimensional Production Data for Product Quality Prediction Using Deep Learning | 2024 |
| 6 | D. Atzeni; A. Carreras-Coch; G. Dec; D. Mazzei; M. Mądziel; L. Pappa; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios | Plan and Develop Advanced Knowledge and Skills for Future Industrial Employees in the Field of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 7 | G. Dec; R. Figliè; D. Mazzei; M. Mądziel; J. Navarro; Ł. Paśko; X. Solé-Beteta; D. Stadnicka; C. Stylios; M. Tyrovolas | Role of Academics in Transferring Knowledge and Skills on Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
| 8 | K. Antosz; A. Gola; A. Gonçalves; T. Malheiro; Ł. Paśko; L. Varela | Six Sigma and Random Forests Application for Product Quality System Control Development | 2022 |
| 9 | K. Antosz; Ł. Paśko | Neural Model of Manufacturing Process as a Way to Improve Predictability of Manufacturing | 2022 |
| 10 | A. Kuś; Ł. Paśko | Bootstrap Aggregation Technique for Evaluating the Significance of Manufacturing Process Parameters in the Glass Industry | 2021 |
| 11 | D. Antonelli; J. Barata; E. Boffa; P. C. Priarone; R. Chelli; P. Ferreira; M. Finžgar; M. Lanzetta; P. Litwin; N. Lohse; F. Lupi; M. M. Mabkhot; A. Maffei; M. Mądziel; P. Minetola; S. Nikghadam-Hojjati; Ł. Paśko; P. Podržaj; D. Stadnicka; X. Wang | Mapping Industry 4.0 Enabling Technologies into United Nations Sustainability Development Goals | 2021 |
| 12 | K. Antosz; M. Jasiulewicz-Kaczmarek; Ł. Paśko; S. Wang; C. Zhang | Application of machine learning and rough set theory in lean maintenance decision support system development | 2021 |
| 13 | K. Antosz; A. Gola; Ł. Paśko | The Use of Artificial Intelligence Methods to Assess the Effectiveness of Lean Maintenance Concept Implementation in Manufacturing Enterprises | 2020 |
| 14 | P. Litwin; Ł. Paśko | Metody klasteryzacji danych w badaniu podobieństwa parametrów procesu wytwórczego | 2020 |
| 15 | Ł. Paśko | Significance of Manufacturing Process Parameters in a Glassworks | 2020 |
| 16 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |