Cel kształcenia i wykaz literatury

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

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 https://mkusy.v.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.	2018
2	Sherrod P.H.	DTREG - Predictive Modeling Software	http://www.dtreg.com.	2018

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 2 semestr

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu matematyki, informatyki; ukończony moduł "Sztuczna inteligencja"

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 podać różnice pomiędzy uczeniem nadzorowanym, nienadzorowanym i uczeniem się ze wzmocnieniem	wykład, laboratorium	obserwacja wykonawstwa, referat pisemny	K_W01+ K_W02+	P7S_WG
02	Potrafi wyjaśnić podstawy analizy istotności atrybutów danych wejściowych przedstawionych w formie rekordów.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_U01+	P7S_UW
03	Potrafi wyjaśnić zagadnienie klasteryzacji w kontekście uczenia nienadzorowanego.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_W02+	P7S_WG
04	Potrafi zaproponować sieć neuronową do zadanego problemu klasyfikacji.	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_U01+ K_U07+	P7S_UW
05	Potrafi wyjaśnić podstawy uczenia głębokich sieci neuronowych	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_W02+ K_K02+	P7S_KR 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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Wstęp do zagadnienia sztucznej inteligencji	W01
2	TK02	Klasyfikacja, predykcja oraz zdolność uogólniania. Wyznaczanie parametrów wydajności: dokładność/błąd, walidacja krzyżowa, macierz konfuzji, czułość, specyficzność, krzywa ROC	W01	MEK01
2	TK03	Wybrane algorytmy klasteryzacji oraz klasyfikator najbliższych sąsiadów	W01	MEK03
2	TK04	Wielowarstwowa jednokierunkowa sieć neuronowa; algorytm wstecznej propagacji błędów i jego modyfikacje	W01	MEK01
2	TK05	Popularne modele neuronowe: sieć neuronowa o radialnej funkcji aktywacji, samoorganizująca się mapa cech Kohonena oraz sieć z przekazywaniem żetonu	W01	MEK01 MEK04
2	TK06	Probabilistyczna sieć neuronowa	W01
2	TK07	Procedury selekcji i ekstrakcji cech; realizacja za pomocą drzew decyzyjnych, lasów drzew, algorytmu ReliefF; analiza składowych głównych PCA	W01	MEK02
2	TK08	Algorytm wektorów wspierających	W01	MEK01
2	TK09	Wybrane algorytmy uczenia się ze wzmocnieniem	W01
2	TK10	Głębokie sieci neuronowe	W01	MEK05

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 2.00 godz./sem. Studiowanie zalecanej literatury: 1.00 godz./sem.
Laboratorium (sem. 2)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem. Inne: 4.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 5.00 godz./sem.
Konsultacje (sem. 2)	Przygotowanie do konsultacji: 5.00 godz./sem.
Zaliczenie (sem. 2)	Przygotowanie do zaliczenia: 10.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem. Zaliczenie ustne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Brak
Laboratorium
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