Cel kształcenia i wykaz literatury

Główny cel kształcenia: Przedstawienie tendencji rozwojowych w różnych dyscyplinach wykorzystujących nowoczesne metody i narzędzia informatyczne, jak również przybliżenie mechanizmów uczenia maszynowego inspirowanych biologią oraz opartych na statystyce matematycznej. W celu zrozumienia idei implementacji komputerowych omawianych algorytmów podana będzie elementarna teoria, jak również liczne przykłady jej zastosowań, m.in. w Przemyśle 4.0.

Ogólne informacje o zajęciach: Wykład ma na celu zachęcenie słuchaczy do stosowania nowoczesnych metod inteligencji obliczeniowej w różnych dyscyplinach mieszczących się w dziedzinie nauk inżynieryjno-technicznych.

Materiały dydaktyczne: Materiały przesyłane uczestnikom Szkoły Doktorskiej w formie prezentacji wykładowcy.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Goodfellow I.J., Bengio Y., Courville A.	Deep Learning	MIT Press.	2016
2	Kluska J., Żabiński T., Mączka T.	Applications of computational intelligence methods for control and diagnostics.	In: Kulczycki P., Korbicz J., Kacprzyk J. (eds) Automatic Control, Robotics, and Information Processing. Studies in Systems, Decision and Control, vol 296. Springer, Cham, pp. 671 - 698, doi=10.1007/.	2021
3	Kluska J.	Analytical methods in fuzzy modeling and control.	Vol. 241. Berlin: Springer, doi: 10.1007/978-3-540-89927-3.	2009
4	Żabiński T., Mączka T., Kluska J., et al.	Failures Prediction in the Cold Forging Process Using Machine Learning Methods	In: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L.A., Zurada J.M. (eds) Artificial Intelligence and Soft Computing. ICAISC 2014. LNCS, vol 8467. Springer.	2014
5	Kluska J., Kusy M., Obrzut B.	Prediction of Radical Hysterectomy Complications for Cervical Cancer Using Computational Intelligence Methods	In: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L.A., Zurada J.M. (eds) Artificial Intelligence and Soft Computing. ICAISC 2012. LNCS, vol 7268. Springer.	2012
6	Żabiński T., Mączka T., Kluska J., et al.	Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application	Procedia CIRP, Vol. 79, pp. 63 - 67, 2019, 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 18-20 July 2018, Gulf of Naples, Italy.	2018

Literatura do samodzielnego studiowania

1	Kluska J.	Adaptive fuzzy control of state-feedback time-delay systems with uncertain parameters	Information Sciences, Vol. 540, pp. 202 - 220.	2020
2	Bishop C.M.	Pattern Recognition and Machine Learning	Springer.	2006
3	Kluska J.	Analytical methods in fuzzy modeling and control	Springer-Verlag Berlin-Heidelberg.	2009

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Rrejestracja na semestr studiów, w którym realizowany jest przedmiot.

Wymagania wstępne w kategorii Wiedzy: Wiedza na poziomie absolwenta studiów magisterskich z zakresu matematyki (statystyki matematycznej) i informatyki.

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

Wymagania wstępne w kategorii Kompetencji społecznych: Zdolność do współpracy w niewielkim zespole.

Efekty kształcenia dla zajęć

MEK	Doktorant, 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	ma zaawansowaną wiedzę z zakresu nowoczesnych technik informatycznych	wykład, seminarium	referat ustny	K_W01++ K_U05+	P8S_UK P8S_WG
02	potrafi efektywnie pozyskiwać informacje związane z działalnością naukową z różnych źródeł, także w językach obcych, oraz dokonywać właściwej selekcji i interpretacji tych informacji	wykład, seminarium	referat ustny	K_U05+	P8S_UK
03	potrafi rozwiązywać złożone zadania i problemy związane z reprezentowaną dyscypliną naukową, w tym zadania i problemy nietypowe, stosując koncepcyjnie nowe metody, stanowiące nowatorskie rozwiązania o praktycznym zastosowaniu, których poziom oryginalności uzasadnia publikację w recenzowanych wydawnictwach	wykład, seminarium	raport ustny	K_W01+ K_U05+	P8S_UK P8S_WG
04	potrafi dokumentować wyniki prac badawczych oraz tworzyć opracowania mające charakter publikacji naukowych, także w języku obcym, zgodnie z zasadami tworzenia tego typu opracowań, w szczególności zachowując zasady związane z poszanowaniem praw autorskich	wykład, seminarium	referat ustny	K_U05+	P8S_UK
05	wykazuje samokrytycyzm w pracy twórczej; rozumie i odczuwa potrzebę ciągłego dokształcania się i podnoszenia kompetencji zawodowych i osobistych, śledzenia i analizowania najnowszych osiągnięć związanych z technikami informatycznymi	wykład	referat ustny	K_U05+	P8S_UK

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
3	TK01	Wstęp. Metody uczenia maszynowego jako podstawa Przemysłu 4.0 (relacja: mózg a komputer, od neurofizjologii do sztucznych sieci neuronowych, rozwiązanie problemu przez programowanie i przez uczenie, sztuczna ewolucja: odkrywanie praw fizyki na podstawie eksperymentów lub reguł dla potrzeb medycznych, systemy złożone: inteligencja roju, samoorganizacja, zastosowania sztucznej inteligencji i eksploracji danych).	-	MEK01 MEK02 MEK03 MEK05
3	TK02	Wybrane techniki uczenia nadzorowanego. Problemy klasyfikacji i regresji oraz ich zastosowanie w diagnostyce technicznej i medycznej. Algorytmy jako białe i czarne skrzynki. Budowa prostych rozmytych systemów ekspertowych. Systemy neuronowo-rozmyte.	-	MEK01 MEK02 MEK03 MEK05
3	TK03	Programowanie ekspresji genów jako przykład algorytmu ewolucyjnego i jednocześnie uniwersalnego systemu do rozwiązywania problemów. Projektowanie systemu diagnostycznego opartego na logice rozmytej i programowaniu ekspresji genów.	-	MEK01 MEK02 MEK03 MEK05
3	TK04	Kilka algorytmów należących do metod uczenia płytkiego. Klasyfikacja binarna i wieloklasowa. Klasyczna maszyna wektorów wspierających. Probabilistyczna sieć neuronowa. Ocena jakości działania klasyfikatorów.	-	MEK01 MEK02 MEK03 MEK05
3	TK05	Wykrywanie anomalii – problem klasyfikacji jednoklasowej. Metoda lokalnego wskaźnika odstawania, autoenkoder, jednoklasowa maszyna wektorów wspierających. Przykład z zakresu wykrywania anomalii pracy maszyn CNC.	-	MEK01 MEK02 MEK03 MEK05
3	TK06	Uczenie głębokie. Splotowe sieci neuronowe i sieci rekurencyjne LSTM. Twierdzenie ‘No Free Lunch” (szkic dowodu) i jego zastosowanie w kontekście optymalizacji. Konsekwencje praktyczne.	-	MEK01 MEK02 MEK03 MEK04 MEK05

Nakład pracy doktoranta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 3)		Godziny kontaktowe: 15.00 godz./sem.
Projekt/Seminarium (sem. 3)		Godziny kontaktowe: 15.00 godz./sem..
Konsultacje (sem. 3)
Zaliczenie (sem. 3)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Prezentacja ustna
Projekt/Seminarium	Ocena prezentacji.
Ocena końcowa	Średnia arytmetyczna.

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. Czmil; S. Czmil; J. Kluska	An empirical study of a simple incremental classifier based on vector quantization and adaptive resonance theory	2024
2	A. Czmil; S. Czmil; J. Kluska	GPR: A Python implementation of an extremely simple classifier based on fuzzy logic and gene expression programming	2023
3	A. Czmil; S. Czmil; J. Kluska	CACP: Classification Algorithms Comparison Pipeline	2022
4	J. Kluska; M. Madera	Extremely simple classifier based on fuzzy logic and gene expression programming	2021
5	J. Kluska; T. Mączka; T. Żabiński	Applications of Computational Intelligence Methods for Control and Diagnostics	2021
6	L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński	FPGA-Embedded Anomaly Detection System for Milling Process	2021
7	J. Kluska	Adaptive fuzzy control of state-feedback time-delay systems with uncertain parameters	2020
8	J. Kluska	Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk	2020
9	J. Kluska	Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science	2020
10	J. Kluska	Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk	2020
11	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
12	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
13	J. Kluska; T. Mączka; T. Żabiński	Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki	2020
14	J. Kluska; T. Żabiński	PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion	2020
15	J. Kluska	Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk	2019
16	J. Kluska	Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science	2019
17	J. Kluska	Przewodniczący Sekcji Systemów Inteligentnych w Komitecie Automatyki i Robotyki Polskiej Akademii Nauk	2019
18	J. Kluska	Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk	2019
19	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
20	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