logo
Karta przedmiotu
logo

Sztuczna inteligencja

Podstawowe informacje o zajęciach

Cykl kształcenia: 2021/2022

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 Podstaw Elektroniki

Kod zajęć: 12297

Status zajęć: obowiązkowy dla programu inżynieria i analiza danych

Układ zajęć w planie studiów: sem: 5 / W20 L20 / 2 ECTS / Z

Język wykładowy: polski

Imię i nazwisko koordynatora: dr inż. Marcin Kowalik

Cel kształcenia i wykaz literatury

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

Ogólne informacje o zajęciach: Przedstawienie wybranych algorytmów sztucznej inteligencji i ich zastosowań z zakresu klasyfikacji danych, regresji, metod klasteryzacji i selekcji cech.

Materiały dydaktyczne: Dostępne w formie elektronicznej na stronie: https://bigbang.prz.edu.pl/si

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 Vapnik V. The nature of statistical learning theory Springer, New York. 1995
4 Quinlan J.R. C4.5: Programs for machine learning Morgan Kaufman Publishers, San Meteo. 1993
5 Mathworks Inc. Matlab Online Documentation http://www.mathworks.com . 2017
Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych
1 Mathworks Inc. Matlab Online Documentation http://www.mathworks.com. 2019
Literatura do samodzielnego studiowania
1 Gunn S. Support Vector Machines for Classification and Regression University of Southampton. 1998
2 Masters T. Practical Neural Network Recipes in C++ Academic, San Diego. 1993

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zarejestrowany na 6 semestr. Student spełnia wymagania określone w regulaminie studiów.

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: Umiejętność pracy w zespole.

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. wykład, laboratorium obserwacja wykonawstwa, raport pisemny K_W06+
K_U09+
K_U10+
K_K04+
P6S_KO
P6S_KR
P6S_UW
P6S_WG
02 Potrafi wyjaśnić zagadnienie klasyfikacji danych i predykcji. 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 istotności atrybutów danych wejściowych przedstawionych w formie rekordów wykład, laboratorium obserwacja wykonawstwa, raport pisemny K_W06+
K_U09+
K_U10+
K_K04+
P6S_KO
P6S_KR
P6S_UW
P6S_WG
04 Potrafi wyjaśnić zagadnienie klasteryzacji w kontekście uczenia nienadzorowanego wykład, laboratorium obserwacja wykonawstwa, raport pisemny K_W06+
K_U09+
K_U10+
K_K04+
P6S_KO
P6S_KR
P6S_UW
P6S_WG
05 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
06 Potrafi zastosować wybrany algorytm w zadanym problemie klasyfikacji 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).

Treści kształcenia dla zajęć

Sem. TK Treści kształcenia Realizowane na MEK
5 TK01 Wstęp do zagadnienia sztucznej inteligencji W01 MEK01
5 TK02 Klasyfikacja, predykcja oraz zdolność uogólniania. Wyznaczanie parametrów wydajności: dokładność/błąd, walidacja krzyżowa, macierz konfuzji, czułość, specyficzność, krzywa ROC W02 MEK02
5 TK03 Wybrane algorytmy klasteryzacji oraz klasyfikator najbliższych sąsiadów W03 MEK04
5 TK04 Wstęp do sieci neuronowych; perceptron W04 MEK05
5 TK05 Wielowarstwowa jednokierunkowa sieć neuronowa; algorytm wstecznej propagacji błędów i jego modyfikacje W05 MEK05
5 TK06 Probabilistyczna sieć neuronowa W06 MEK05
5 TK07 Algorytm wektorów wspierających W07 MEK06
5 TK08 Drzewa decyzyjne W08 MEK06
5 TK09 Procedury selekcji i ekstrakcji cech – cz. I W09 MEK03
5 TK10 Procedury selekcji i ekstrakcji cech – cz. II W10 MEK03

Nakład pracy studenta

Forma zajęć Praca przed zajęciami Udział w zajęciach Praca po zajęciach
Wykład (sem. 5) Godziny kontaktowe: 20.00 godz./sem.
Laboratorium (sem. 5) Godziny kontaktowe: 20.00 godz./sem.
Konsultacje (sem. 5) Przygotowanie do konsultacji: 2.00 godz./sem.
Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 5) Przygotowanie do zaliczenia: 7.00 godz./sem.
Zaliczenie pisemne: 2.00 godz./sem.
Zaliczenie ustne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć Sposób wystawiania oceny podsumowującej
Wykład brak
Laboratorium pisemny raport/sprawozdanie.
Ocena końcowa zaliczenie 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. 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