Cel kształcenia i wykaz literatury

Główny cel kształcenia: Teoretyczna wiedza i praktyczne wykorzystanie wybranych metod sztucznej inteligencji

Ogólne informacje o zajęciach: Przedstawienie wybranych algorytmów i narzędzi programistycznych z zakresu sztucznych sieci neuronowych, klasyfikatorów bazujących na funkcji jądra, drzew decyzyjnych, metod klasteryzacji i selekcji cech

Materiały dydaktyczne: Dostępne w wersji elektronicznej na stronie http://maciejkusy.sd.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Bishop C.M.	Pattern Recognition and Machine Learning	Springer.	2006
2	Tadeusiewicz R.	Sieci neuronowe	Akademicka Oficyna Wydawnicza, Warszawa.	1993
3	Korbicz J., Obuchowicz A., Uciński D.	Sztuczne sieci neuronowe. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza.	1994
4	Kecman V.	Learning and Soft Computing. Support Vector Machines, Neural Networks and Fuzzy Logic Models	MIT Press, Cambridge.	2001
5	Vapnik V.	The nature of statistical learning theory	Springer, New York.	1995
6	Quinlan J.R.	C4.5: Programs for machine learning	Morgan Kaufman Publishers, San Meteo.	1993
7	Haykin S.	Neural Networks – a Comprehensive Foundation	Macmillan College Publishing Company, New York.	1994
8	Ferreira C.	Gene expression programming	Springer-Verlag.	2006
9	Sutton R.S., Barto A.G.	Reinforcement Learning: An Introduction	MIT Press, Cambridge .	1998

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Mathworks Inc.	Matlab Online Documentation	http://www.mathworks.com.	2017
2	Sherrod P.H.	DTREG - Predictive Modeling Software	http://www.dtreg.com.	2017

Literatura do samodzielnego studiowania

1	Żurada J., Barski M., Jędruch W.	Sztuczne sieci neuronowe	PWN.	1996
2	Rutkowska D., Piliński M., Rutkowski L.	Sieci neuronowe, algorytmy genetyczne i systemy rozmyte	PWN, Warszawa.	1997

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zarejestrowany na 6 semestr.

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu matematyki i informatyki.

Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi komputera i korzystania ze środowisk programistycznych.

Wymagania wstępne w kategorii Kompetencji społecznych: Brak

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
01	Potrafi wyjaśnić pojęcie sztucznej inteligencji, przedstawić wybrane jej gałęzie i zastosowania oraz objaśnić zagadnienie uczenia maszynowego.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_W11+	P6S_WG
02	Potrafi wyjaśnić zagadnienie klasyfikacji danych i predykcji.	wykład, laboratorium	obserwacja wykonawstwa, referat pisemny	K_U01+	P6S_UU
03	Potrafi wyjaśnić podstawy analizy istotności atrybutów danych wejściowych przedstawionych w formie rekordów.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_U03+ K_K08+	P6S_KR P6S_UK
04	Potrafi wyjaśnić zagadnienie klasteryzacji w kontekście uczenia nienadzorowanego.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_K04+ K_K08+	P6S_KR P6S_UO
05	Potrafi zaproponować sieć neuronową do zadanego problemu klasyfikacji.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_U01+ K_K08+	P6S_KR P6S_UU

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	Wstęp do zagadnienia sztucznej inteligencji	W02	MEK01
7	TK02	Klasyfikacja, predykcja oraz zdolność uogólniania. Wyznaczanie parametrów wydajności: dokładność/błąd, walidacja krzyżowa, macierz konfuzji, czułość, specyficzność, krzywa ROC	W02	MEK02
7	TK03	Wybrane algorytmy klasteryzacji oraz klasyfikator najbliższych sąsiadów	W02	MEK04
7	TK04	Wielowarstwowa jednokierunkowa sieć neuronowa; algorytm wstecznej propagacji błędów i jego modyfikacje	W02	MEK01 MEK02
7	TK05	Popularne modele neuronowe: sieć neuronowa o radialnej funkcji aktywacji, samoorganizująca się mapa cech Kohonena oraz sieć z przekazywaniem żetonu	W02	MEK01 MEK02 MEK05
7	TK06	Probabilistyczna sieć neuronowa	W02	MEK01
7	TK07	Procedury selekcji i ekstrakcji cech; realizacja za pomocą drzew decyzyjnych, lasów drzew, algorytmu ReliefF; analiza składowych głównych PCA	W02	MEK03
7	TK08	Algorytm wektorów wspierających	W02	MEK02
7	TK09	Programowanie wyrażeń genetycznych	W02
7	TK10	Analiza czułości: lokalna i globalna: metoda Sobola, FAST oraz EFAST	W02	MEK03
7	TK11	Wybrane algorytmy uczenia się ze wzmocnieniem	W02	MEK01
7	TK12	Problem uczenia sieci PNN; dobór współczynników wygładzania: metoda gradientów sprzężonych, algorytmy uczenia się ze wzmocnieniem, metoda pluginów i inne	W02	MEK05
7	TK13	Struktura sieci PNN: redukcja, współczynniki wagowe	W03	MEK01

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.
Projekt/Seminarium (sem. 7)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..
Konsultacje (sem. 7)
Zaliczenie (sem. 7)	Przygotowanie do zaliczenia: 5.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Brak
Projekt/Seminarium
Ocena końcowa	Na podstawie 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	A. Konior; P. Kowalski; M. Kusy; M. Szwagrzyk	Machine learning techniques for explaining air pollution prediction	2022
2	J. Izydorczyk; P. Kowalski; M. Kusy; M. Szwagrzyk	Estimation of atmospheric boundary layer values in the context of the daily prediction of PM10 air pollution	2022
3	P. Kowalski; M. Kusy	Algorithms for Triggering General Regression Neural Network	2022
4	P. Kowalski; M. Kusy	Architecture reduction of a probabilistic neural network by merging k-means and k-nearest neighbour algorithms	2022
5	P. Kowalski; M. Kusy	Detection of Fraudulent Credit Card Transactions by Computational Intelligence Models as a Tool in Digital Forensics	2022
6	J. Kielpinska; A. Konior; P. Kowalski; M. Kusy; M. Szwagrzyk	Numerical analysis of factors, pace and intensity of the corona virus (COVID-19) epidemic in Poland	2021
7	M. Kusy; R. Zajdel	A weighted wrapper approach to feature selection	2021
8	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Fusion of Feature Selection Methods for Improving Model Accuracy in the Milling Process Data Classification Problem	2020
9	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
10	P. Kowalski; S. Kubasiak; M. Kusy; S. Łukasik	Probabilistic Neural Network - parameters adjustment in classification task	2020
11	J. Kluska; M. Kusy; B. Obrzut; M. Obrzut; A. Semczuk	Prediction of 10-year Overall Survival in Patients with Operable Cervical Cancer using a Probabilistic Neural Network	2019
12	M. Kusy	Selection of pattern neurons for a probabilistic neural network by means of clustering and nearest neighbor techniques	2019