Cel kształcenia i wykaz literatury

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

1

Oliver Theobald

Machine Learning For Absolute Beginners

by Oliver Theobald.

2017

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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.

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 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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
2	TK01	Podstawy sztucznej inteligencji i uczenia maszynowego na przykładzie sztucznych sieci neuronowych (neurony biologiczne a sztuczne, sposoby uczenia, architektura i typy sieci, opis matematyczny i implementacja sieci przy wykorzystaniu jednego z popularnych języków programowania, optymalizacja parametrów sieci, sposoby weryfikacji i oceny działania algorytmów uczenia maszynowego)	W01-W13,P01-P08	MEK01 MEK02 MEK03
2	TK02	Omówienie innych algorytmów uczenia maszynowego np. drzew decyzyjnych, algorytmów do klasteryzacji danych na przykładzie danych medycznych.	W01-05,P01-P05	MEK01 MEK02
2	TK03	Analiza wybranych zbiorów danych medycznych (sygnały EKG, zdjęcia RTG oraz USG) przy wykorzystaniu najnowszych algorytmów uczenia maszynowego tj. np. konwolucyjne sieci neuronowe.	P09-P15	MEK01 MEK02 MEK03 MEK04 MEK05 MEK06
2	TK04	Omówienie najnowszych trendów w dziedzinie uczenia maszynowego i analizy danych	W14-W15	MEK01 MEK02 MEK03 MEK04 MEK05
2	TK05	Omówienie wad i zalet wykorzystania algorytmów sztucznej inteligencji do analizy danych.	W01-W15,P01-P15	MEK01 MEK03 MEK04 MEK05

Nakład pracy studenta

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.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

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