Cel kształcenia i wykaz literatury

Główny cel kształcenia: Przekazanie rozszerzonej wiedzy z zakresu inteligentnych systemów komputerowych

Ogólne informacje o zajęciach: Moduł zakłada zapoznanie studentów z uwarunkowaniami dotyczącymi stosowania inteligentnych systemów komputerowych, najważniejszymi metodami formalnymi oraz wybranymi algorytmami składającymi się na funkcjonalności tej klasy systemów.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	L.Rutkowski	Metody i techniki sztucznej inteligencji	PWN, Warszawa.	2009
2	J.Mulawka	Systemy ekspertowe	WNT, Warszawa.	1996
3	D.Rutkowska, M.Piliński, L.Rutkowski	Sieci neuronowe, algorytmy genetyczne i systemy rozmyte	PWN, Warszawa-Łódź.	1997

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Z.Michalewicz	Algorytmy genetyczne + struktury danych = programy ewolucyjne	WNT, Warszawa.	1996
2	D.E.Goldberg	Algorytmy genetyczne i ich zastosowanie	WNT, Warszawa.	1995

Literatura do samodzielnego studiowania

1	R.Tadeusiewicz	Sieci neuronowe	Akademicka Oficyna Wydawnicza, Warszawa.	1993
2	Z.Pawlak	Systemy informacyjne	WNT, Warszawa.	1983

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Status studenta PRz

Wymagania wstępne w kategorii Wiedzy: Znajomość podstaw logiki matematycznej, teorii zbiorów oraz metod numerycznych

Wymagania wstępne w kategorii Umiejętności: Umiejętność samodzielnego konstruowania algorytmów oraz ich implementacji w wybranym języku programowania

Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, komunikatywność, umiejętność radzenia sobie z emocjami i ze stresem, z porażkami, odpowiedzialność i szacunek do innych

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	Ma znajomość i rozumie pojęcia z zakresu sztucznej inteligencji i inżynierii wiedzy	wykład, laboratorium	egzamin cz. pisemna, raport pisemny	K_W01++ K_W02+++ K_U06+ K_K01+	P7S_KK P7S_UW P7S_WG
02	Ma znajomość i rozumie metody reprezentacji wiedzy oraz zasady ich wykorzystywania	wykład, laboratorium	egzamin cz. pisemna, raport pisemny	K_W01++ K_U06+ K_K01+	P7S_KK P7S_UW P7S_WG
03	Ma znajomość i rozumie algorytmy stosowane przy podejmowaniu decyzji	wykład, laboratorium	egzamin cz. pisemna, raport pisemny	K_W01+ K_W02++ K_U05++ K_U06+	P7S_UW P7S_WG
04	Ma wiedzę dotyczącą możliwości zastosowania metod inteligentnych w systemach informatycznych	wykład, laboratorium	egzamin cz. pisemna, raport pisemny	K_U05++ K_U07++ K_U10+	P7S_UW

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	Podstawowe formalizmy logiki klasycznej – rachunek zdań, rachunek predykatów, stwierdzenia i reguły. Metody wnioskowania – w przód, wstecz.	W01, W02, L01	MEK02
2	TK02	Systemy ekspertowe – metodyka tworzenia, struktura, własności i obszary zastosowania.	W03, W04	MEK03 MEK04
2	TK03	Logika rozmyta – podstawowe pojęcia teorii zbiorów rozmytych, operacje na zbiorach rozmytych, zasady wnioskowania. Regulatory rozmyte i rozmyte systemy regułowe. System Mandaniego. Zastosowania systemów rozmytych do wspomagania decyzji – przykłady.	W05, W06	MEK01 MEK04
2	TK04	Podstawowe pojęcia teorii zbiorów przybliżonych – system informacyjny, pojęcie termu oraz dolnego i górnego przybliżenia, operatory przybliżone, przybliżony język zapytań.	W07, W08	MEK02
2	TK05	Tablice decyzyjne i drzewa decyzyjne.	W09	MEK02 MEK03
2	TK06	Podstawy algorytmów genetycznych – operatory genetyczne, mechanizmy selekcji. Prosty algorytm genetyczny i jego parametry, warunki oceny efektywności algorytmów genetycznych.	W10, W11, L02 - L10	MEK03
2	TK07	Wprowadzenie do sztucznych sieci neuronowych – podstawowy model neuronu, perceptron, model Adelina, zasada uczenia neuronu, wielowarstwowe sieci neuronowe, obszary zastosowania sztucznych sieci neuronowych.	W12, W13	MEK03 MEK04
2	TK08	Wprowadzenie do systemów agentowych – pojęcie agenta i systemu agentowych, modele agenta, zdecentralizowane systemy informacyjno-decyzyjne i ich zastosowania.	W14, W15	MEK03 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 2)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 2)	Przygotowanie do laboratorium: 5.00 godz./sem. Przygotowanie do kolokwium: 8.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Konsultacje (sem. 2)		Udział w konsultacjach: 15.00 godz./sem.
Egzamin (sem. 2)	Przygotowanie do egzaminu: 15.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Egzamin pisemny
Laboratorium	Ocena przedstawionego sprawozdania pisemnego.
Ocena końcowa	wypadkowa ocen z wykładu i 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. 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	K. Sidor; M. Wysocki	Recognition of Human Activities Using Depth Maps and the Viewpoint Feature Histogram Descriptor	2020
16	M. Wysocki	Zaawansowane systemy informatyczne: studia wybranych przypadków	2020
17	T. Kapuściński; M. Wysocki	Recognition of Signed Expressions in an Experimental System Supporting Deaf Clients in the City Office	2020
18	J. Kluska	Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk	2019
19	J. Kluska	Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science	2019
20	J. Kluska	Przewodniczący Sekcji Systemów Inteligentnych w Komitecie Automatyki i Robotyki Polskiej Akademii Nauk	2019
21	J. Kluska	Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk	2019
22	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
23	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
24	T. Kapuściński; D. Warchoł; M. Wysocki	Recognition of Fingerspelling Sequences in Polish Sign Language Using Point Clouds Obtained from Depth Images	2019
25	T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki	Układ wspomagający komunikowanie się osób głuchoniemych z osobami słyszącymi i sposób wspierania takiego komunikowania się	2019