Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: niestacjonarne
Specjalności na kierunku: H - Cyberbezpieczeństwo i technologie chmurowe, I - Inżynieria inteligentnych systemów informatycznych, S - Systemy i sieci komputerowe
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 11729
Status zajęć: obowiązkowy dla specjalności S - Systemy i sieci komputerowe
Układ zajęć w planie studiów: sem: 1 / W10 P10 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr inż. Tomasz Żabiński
Terminy konsultacji koordynatora: Informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 2: dr inż. Krzysztof Świder
semestr 3: dr inż. Bartosz Jędrzejec
semestr 3: dr inż. Grzegorz Piecuch
Główny cel kształcenia: przekazanie podstawowych kompetencji dotyczących koncepcji, narzędzi i technologii informatycznych związanych z Przemysłem 4.0
Ogólne informacje o zajęciach: moduł jest prowadzony na trzecim semestrze studiów magisterskich; dostarcza podstawowej wiedzy dotyczącej obszarów i sposobów wykorzystania technologii informatycznych w Przemyśle 4.0
1 | T. Żabiński i in. | Prezentacje i materiały własne wykładowców | . | 2018 |
2 | infosys.beckhoff.com | . | ||
3 | Pomoc i dokumentacja systemu Matlab | . | ||
4 | Pomoc i dokumentacje dla języków Python i R | . |
1 | T. Żabiński i in. | Materiały własne wykładowców | . | 2018 |
2 | infosys.beckhoff.com | . | ||
3 | Pomoc systemu Matlab | . | ||
4 | Pomoc i dokumentacje dla języków Python i R | . |
1 | K. Schwab | The Fourth Industrial Revolution | Crown Business. | 2017 |
2 | R. Agnihotri, S. New | Industry 4.0 Data Analytics | CreateSpace Independent Publishing Platform. | 2016 |
3 | P. Dittmann, E. Szabela-Pasierbińska, I. Dittmann, A. Szpulak | Prognozowanie w zarządzaniu sprzedażą i finansami przedsiębiorstwa | Oficyna a Wolters Kluwer business. | 2011 |
4 | A. Zagdański, A. Suchwałko | Analiza i prognozowanie szeregów czasowych. Praktyczne wprowadzenie na podstawie środowiska R | Państwowe Wydawnictwo Naukowe. | 2016 |
Wymagania formalne: rejestracja na trzeci semestr studiów
Wymagania wstępne w kategorii Wiedzy: podstawowa wiedza i umiejętności w zakresie stosowania metod Inteligencji Obliczeniowej
Wymagania wstępne w kategorii Umiejętności: korzystanie z pakietu Matlab/Simulink lub języka Python oraz zasad stosowania środowisk projektowania inżynierskiego
Wymagania wstępne w kategorii Kompetencji społecznych: zdolność do współpracy w niewielkim zespole (projekt)
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 | wyjaśnia podstawowe idee związane z Przemysłem 4.0 | wykład | zaliczenie |
K_W02+ K_W04+++ K_U02++ K_K01+++ |
P7S_KK P7S_UU P7S_WG |
02 | stosuje w podstawowym wymiarze narzędzia inżynierskie (Matlab, TwinCAT 3) lub język Python do konstruowania systemów monitorowania i nadzorowania zasobów produkcyjnych oraz procesów technologicznych. | wykład,projekt | zaliczenie |
K_W02++ K_W04+ K_U02++ K_U06++ K_U13+++ K_K04++ |
P7S_KO P7S_UU P7S_UW P7S_WG |
03 | stosuje w podstawowym wymiarze narzędzia inżynierskie do analizy danych produkcyjnych przy zastosowaniu metod drążenia danych | wykład, projekt | zaliczenie |
K_W02++ K_W04+ K_U02++ K_U06++ K_U13+++ K_K04++ |
P7S_KO P7S_UU P7S_UW P7S_WG |
04 | omawia wybrane pojęcia i metody prognozowania w kontekście ich zastosowań w przemyśle. | wykład, projekt | zaliczenie |
K_W02++ K_U02+ K_U13++ |
P7S_UU P7S_UW P7S_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 |
---|---|---|---|---|
1 | TK01 | W01 | ||
1 | TK02 | W02 | MEK01 | |
1 | TK03 | W03 | ||
1 | TK04 | W04, P1 | MEK02 | |
1 | TK05 | W05, P1 | ||
1 | TK06 | W6 | MEK02 MEK03 | |
1 | TK07 | W7 | MEK02 MEK03 | |
1 | TK08 | W8, P2 | MEK02 MEK03 | |
1 | TK09 | W9 | MEK02 MEK03 | |
1 | TK10 | W10,P2 | MEK02 MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 1) | Godziny kontaktowe:
10.00 godz./sem. |
||
Projekt/Seminarium (sem. 1) | Godziny kontaktowe:
10.00 godz./sem.. |
||
Konsultacje (sem. 1) | |||
Zaliczenie (sem. 1) |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | |
Projekt/Seminarium | |
Ocena końcowa | 0.25 test z wykładu + 0.75 ocena z projektu |
Wymagane podczas egzaminu/zaliczenia
TIP40_PrzZad.pdf
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : tak
Dostępne materiały :
1 | D. Mazurkiewicz; G. Piecuch; P. Sobecki; T. Żabiński | Virtual tomography as a novel method for segmenting machining process phases with the use of machine learning-supported measurement | 2024 |
2 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; D. Rączka; M. Salach; T. Żabiński | Estimation of Tool Life in the Milling Process—Testing Regression Models | 2023 |
3 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; M. Salach; K. Tomecki; T. Żabiński | System Architecture for Diagnostics and Supervision of Industrial Equipment and Processes in an IoE Device Environment | 2023 |
4 | E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification | 2022 |
5 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life | 2022 |
6 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machining Process Time Series Data Analysis with a Decision Support Tool | 2022 |
7 | K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński | The use of random forests to support the decision-making process for sustainable manufacturing | 2022 |
8 | R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński | Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
9 | J. Kluska; T. Mączka; T. Żabiński | Applications of Computational Intelligence Methods for Control and Diagnostics | 2021 |
10 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Integrating advanced measurement and signal processing for reliability decision-making | 2021 |
11 | L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński | FPGA-Embedded Anomaly Detection System for Milling Process | 2021 |
12 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Machining sensor data management for operation-level predictive model | 2020 |
13 | 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 |
14 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis | 2020 |
15 | J. Kluska; T. Mączka; T. Żabiński | Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki | 2020 |
16 | J. Kluska; T. Żabiński | PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion | 2020 |
17 | M. Hadław; T. Żabiński | A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems | 2020 |
18 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Assessment model of cutting tool condition for real-time supervision system | 2019 |
19 | E. Kozłowski; D. Mazurkiewicz; T. Żabiński | Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego | 2019 |
20 | G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła | Milling process diagnosis using computational intelligence methods | 2019 |
21 | J. Kluska; M. Madera ; T. Mączka; J. Sęp; T. Żabiński | Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application | 2019 |
22 | M. Madera ; G. Piecuch; T. Żabiński | Diagnostics of welding process based on thermovision images using convolutional neural network | 2019 |