Cykl kształcenia: 2022/2023
Nazwa jednostki prowadzącej studia: Wydział Matematyki i Fizyki Stosowanej
Nazwa kierunku studiów: Inżynieria w medycynie
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku:
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Fizyki i Inżynierii Medycznej
Kod zajęć: 15012
Status zajęć: obowiązkowy dla programu
Układ zajęć w planie studiów: sem: 2 / W15 P30 / 3 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Marcin Kowalik
Terminy konsultacji koordynatora: Zgodnie z informacją w USOS
Główny cel kształcenia: Poznanie i zrozumienie działania algorytmów sztucznej inteligencji w szczególności w zastosowaniach do analizy danych. Przegląd przykładowych zastosowań sztucznej inteligencji w analizie danych biomedycznych. Zdobycie doświadczeń i rozwój umiejętności w analizie danych medycznych. Na zajęciach zostanie położony głównie nacisk na naukę na rzeczywistych przykładach (rozwiązywaniu rzeczywistych problemów).
Ogólne informacje o zajęciach: Zajęcia skłądają się z wykładów i ćwiczeń projektowych.
Materiały dydaktyczne: Dostępne w wersji online na stronie uczelnianego systemu do e-learningu
1 | Ranschaert, Erik R., Morozov, Sergey, Algra, Paul R. (Eds.) | Artificial Intelligence in Medical Imaging | Springer. | 2019 |
2 | Andreas C. MĂźller, Sarah Guido | Introduction to Machine Learning with Python | O'Reilly Media . | 2016 |
3 | Stuart Russell and Peter Norvig | Artificial Intelligence: A Modern Approach | Prentice Hall. | 2020 |
4 | Aurelien Geron | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems | O'Reilly Media . | 2019 |
5 | Andriy Burkov | The Hundred-Page Machine Learning Book | Andriy Burkov, Hard Cover ed. edition. | 2019 |
6 | François Chollet | Deep Learning with Python | Manning. | 2017 |
1 | Andreas C. Muller, Sarah Guido | Introduction to Machine Learning with Python | O'Reilly Media . | 2016 |
2 | Ian Goodfellow and Yoshua Bengio and Aaron Courville | Deep Learning | MIT Press http://www.deeplearningbook.org. | 2016 |
1 | Oliver Theobald | Machine Learning For Absolute Beginners | by Oliver Theobald. | 2017 |
Wymagania formalne: Zgodnie z regulaminem studiów
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z matematyki (algebra liniowa, analiza) oraz informatyki w zakresie programowania, dodatkowo potrafi korzystać z materiałów w języku angielskim
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.
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 wiedzę na temat systemów maszynowego uczenia się i sztucznych sieci neuronowych w stopniu średnio zaawansowanym | wykład, projekt zespołowy, projekt indywidualny | examin, prezentacja projektu |
K_W04++ |
P7S_WG |
02 | Potrafi uzupełniać i pogłębiać swoją wiedzę z zakresu realizowanego zadania w stopniu, umożliwiającym jego skuteczne rozwiązanie metodami uczenia maszynowego. | projekt indywidualny, projekt zespołowy | prezentacja projektu |
K_W04+ K_K05+++ |
P7S_KK P7S_KR P7S_WG |
03 | Rozumie potrzebę stałego wzbogacania swojej wiedzy oraz rozwijania swoich umiejętności w zakresie narzędzi i metod uczenia maszynowego. | wykład, projekt indywidualny, projekt zespołowy | prezentacja projektu |
K_K05+++ |
P7S_KK P7S_KR |
04 | Dostrzega plusy i minusy używania systemów sztucznej inteligencji oraz ich wpływ na życie społeczne oraz gospodarcze. | wyklady, projekt indywidualny, projekt zespołowy | egzamin cz. pisemna |
K_K05+ |
P7S_KK P7S_KR |
05 | Potrafi zidentyfikować oraz znaleźć specjalistyczną wiedzę przedmiotową niezbędną do rozwiązania zadanego problemu i uzasadnić swój wybór. | seminarium, wykład, projekt indywidualny, projekt zespołowy | prezentacja projektu |
K_W04+++ K_K05++ |
P7S_KK P7S_KR P7S_WG |
06 | Posiada umiejętność praktycznego stosowania algorytmów uczenia maszynowego do rozwiązania zadanych problemów związanych z analizą danych. | projekt indywidualny, projekt zespołowy | egzamin, prezentacja projektu |
K_W04++ K_U06++ |
P7S_UW 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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
2 | TK01 | W01-W13,P01-P08 | MEK01 MEK02 MEK03 | |
2 | TK02 | W01-05,P01-P05 | MEK01 MEK02 | |
2 | TK03 | P09-P15 | MEK01 MEK02 MEK03 MEK04 MEK05 MEK06 | |
2 | TK04 | W14-W15 | MEK01 MEK02 MEK03 MEK04 MEK05 | |
2 | TK05 | W01-W15,P01-P15 | MEK01 MEK03 MEK04 MEK05 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 2) | Przygotowanie do kolokwium:
3.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
3.00 godz./sem. Studiowanie zalecanej literatury: 3.00 godz./sem. |
Projekt/Seminarium (sem. 2) | Przygotowanie do zajęć projektowych/seminaryjnych:
3.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
8.00 godz./sem. Przygotowanie do prezentacji: 2.00 godz./sem. |
Konsultacje (sem. 2) | Przygotowanie do konsultacji:
1.00 godz./sem. |
Udział w konsultacjach:
1.00 godz./sem. |
|
Egzamin (sem. 2) | Przygotowanie do egzaminu:
5.00 godz./sem. |
Egzamin pisemny:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na podstawie egzaminu pisemnego |
Projekt/Seminarium | Na podstawie zrealizowanego projektu. |
Ocena końcowa | Średnia ocena z egzaminu oraz projektu. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
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 |