Cel kształcenia i wykaz literatury

Główny cel kształcenia: Teoretyczna wiedza i praktyczne wykorzystanie nowoczesnych metod uczenia maszynowego

Ogólne informacje o zajęciach: Nabycie wiedzy o algorytmach sztucznej inteligencji wykorzystywancyh do analizowania i wnioskowania na bazie zbiorów danych. Zdobycie doświadczenia w analizie danych.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Bishop C.M.	Pattern Recognition and Machine Learning	Springer.	2006
2	Korbicz J., Obuchowicz A., Uciński D.	Sztuczne sieci neuronowe. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza.	1994
3	Kecman V.	Learning and Soft Computing. Support Vector Machines, Neural Networks and Fuzzy Logic Models	MIT Press, Cambridge.	2001
4	Ferreira C.	Gene expression programming	Springer-Verlag.	2006
5	Sutton R.S., Barto A.G.	Reinforcement Learning: An Introduction	MIT Press, Cambridge.	1998
6	GoodFellow I, Bengio Y..	Courville A. Deep learning - systemy uczące się	PWN, Warszawa.	2018

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student powinien być zarejestrowany na 6 semestr, po ukończonym module „Sztuczna inteligencja”. Student spełnia wymagania określone w regulaminie studiów.

Wymagania wstępne w kategorii Wiedzy: Student powinien posiadać podstawową wiedzę z zakresu matematyki, informatyki oraz obsługi komputera i korzystania ze środowisk programistycznych.

Wymagania wstępne w kategorii Umiejętności: Wykorzystanie wiedzy z matematyki, statystyki, fizyki. Umiejętność pozyskiwania informacji ze wskazanych źródeł. Potrafi zaprojektować i napisać prosty program komputerowy do analizy danych.

Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, odpowiedzialność, wytrwałość, ciekawość poznawcza, kreatywność, kultura osobista, szacunek dla innych ludzi, gotowość i umiejętność współpracy z innymi w celu rozwiązania zadanego problemu.

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 wskazać różnice pomiędzy problemem klasyfikacji i regresji	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_W06+ K_U09+ K_U10+ K_K04+	P6S_KO P6S_KR P6S_UW P6S_WG
02	Potrafi podać różnice pomiędzy uczeniem nadzorowanym, nienadzorowanym i uczeniem się ze wzmocnieniem	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 czułości na przykładzie sieci neuronowej	wykład, laboratorium	obserwacja wykonawstwa, raport pisemny	K_W06+ K_U09+ K_U10+ K_K04+	P6S_KO P6S_KR P6S_UW P6S_WG
04	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
05	Potrafi wytłumaczyć ideę algorytmu ewolucyjnego	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
6	TK01	Mapy cech Kohonena; sieć z przekazywaniem żetonu	W02	MEK04
6	TK02	Sieć neuronowa auto asocjacyjna, sieć konwolucyjna, sieć neuronowa o radialnej funkcji aktywacji;	W03	MEK04
6	TK03	Głębokie sieci neuronowe	W04	MEK04
6	TK04	Analiza czułości: lokalna i globalna (metoda Sobola, FAST oraz EFAST)	W05	MEK03
6	TK05	Wybrane zagadnienia uczenia się ze wzmocnieniem	W06	MEK02
6	TK06	Programowanie wyrażeń genetycznych (algorytm GEP)	W07	MEK05
6	TK07	Modyfikacje probabilistycznej sieci neuronowej	W08	MEK04
6	TK08	Wybrane algorytmy uczenia maszynowego w regresji	W09	MEK01
6	TK09	Zastosowanie uczenia maszynowego w problemach klasyfikacji	W10	MEK01 MEK02

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 6)		Godziny kontaktowe: 20.00 godz./sem.
Laboratorium (sem. 6)		Godziny kontaktowe: 20.00 godz./sem.
Konsultacje (sem. 6)		Udział w konsultacjach: 2.00 godz./sem.
Zaliczenie (sem. 6)	Przygotowanie do zaliczenia: 6.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Laboratorium	Średnia ocen ze sprawozdań
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