Cel kształcenia i wykaz literatury

Główny cel kształcenia: Nabycie wiedzy o algorytmach sztucznej inteligencji wykorzystywancyh do analizowania i wnioskowania na bazie danych medycznych. Zdobycie doświadczenia w analizie rzeczywistych danych medycznbych.

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

Materiały dydaktyczne: Dostępne pod adresem bigbang.prz.edu.pl/si-inz

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	AurĂŠlien GĂŠron	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
7	Ian Goodfellow and Yoshua Bengio and Aaron Courville	Deep Learning	MIT Press http://www.deeplearningbook.org.

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Andreas C. MĂźller, 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: Zgodne z regulaminem studiów

Wymagania wstępne w kategorii Wiedzy: Posiada podstawową znajomość dowolnego języka progamowania i potrafi korzystać z materiałów w języku angielskim

Wymagania wstępne w kategorii Umiejętności: Potrafi zaprojektować i napisać program komputerowy do prostej analizy danych

Wymagania wstępne w kategorii Kompetencji społecznych: Potrafi pracować w zespole.

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	Zna podstawowe metody uczenia maszynowego wykorzystywanego do analizy danych, rozumie ich zasadę działania, potrafi je wykorzystać do analizy otrzymanego zbioru danych	wykład, laboratorium, projekt	egzamin cz. pisemna, sprawozdanie z laboratorium, prezentacja projektu z wybranego zagadnienia	K_W08++ K_W09+++ K_U03+++ K_U09+++ K_K01+++ K_K05+++	P6S_KK P6S_KO P6S_UO P6S_UU P6S_UW P6S_WG P6S_WK
02	Zna i potrafi efektywnie korzystać ze specjalistycznych bibliotek do uczenia maszynowego wykorzystujących do obliczeń CPU oraz GPU	wykład, laboratorium, projekt	sprawozdanie z wykonanego z laboratorium, egzamin, prezentacja projektu z wybranego zagadnienia	K_W09+ K_U09+++ K_K01+++ K_K05+++	P6S_KK P6S_KO P6S_UO P6S_UU P6S_WG
03	Potrafi przeanalizować zbiór danych przez dobranie odpowiedniego algorytmu uczenia maszynowego oraz wykonać na jego bazie wymaganej predykcji wykorzystując do tego np. język programowania Python i biblioteki do uczenia maszynowego.	wykład, laboratorium, projekt	Sprawozdanie z laboratorium, egzamin, prezentacja projektu z wybranego zagadnienia	K_W08+++ K_W09+++ K_U03+++ K_U09+++ K_K01+++ K_K05++	P6S_KK P6S_KO P6S_UO P6S_UU P6S_UW P6S_WG P6S_WK
04	Potrafi korzystać z dokumentacji w języku angielskim	laboratorium, projekt	sprawozdanie z laboratorium, prezentacja projektu z wybranego zagadnienia	K_W08+++ K_W09+++ K_U09+++ K_K01+ K_K05++	P6S_KK P6S_KO P6S_UO P6S_UU P6S_WG P6S_WK

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
5	TK01	Podstawy sztucznej inteligencji i uczenia maszynowego na przykładzie sztucznych sieci neuronowych.	-	MEK01 MEK02 MEK03 MEK04
5	TK02	Omówienie innych algorytmów uczenia maszynowego np. drzew decyzyjnych, algorytmów do klasteryzacji danych na przykładzie danych medycznych.	-	MEK01 MEK02 MEK03 MEK04
5	TK03	Analiza wybranych zbiorów danych medycznych przy wykorzystaniu najnowszych algorytmów uczenia maszynowego tj. np. konwolucyjne sieci neuronowe.	-	MEK01 MEK02 MEK03 MEK04
5	TK04	Omówienie najnowszych trendów w dziedzinie uczenia maszynowego i analizy danych	-	MEK01 MEK02 MEK03 MEK04

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)	Przygotowanie do kolokwium: 1.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 5)	Przygotowanie do laboratorium: 3.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Konsultacje (sem. 5)	Przygotowanie do konsultacji: 1.00 godz./sem.	Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 5)	Przygotowanie do zaliczenia: 5.00 godz./sem.	Zaliczenie pisemne: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na podstawie zaliczenia
Laboratorium	Na podstawie oddanych sprawozdań
Ocena końcowa	45 pkt ocena z wykładu, 55 pkt ocena z laboratoriów

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