Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Informatyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: drugiego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: H - Cyberbezpieczeństwo i technologie chmurowe, I - Inżynieria inteligentnych systemów informatycznych, S - Systemy i sieci komputerowe
Tytuł otrzymywany po ukończeniu studiów: magister inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 15958
Status zajęć: wybierany dla specjalności I - Inżynieria inteligentnych systemów informatycznych
Układ zajęć w planie studiów: sem: 1 / P15 / 2 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Mariusz Oszust
Terminy konsultacji koordynatora: Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. prof. PRz Zbigniew Hajduk , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: prof. dr hab. inż. Jacek Kluska , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. prof. PRz Zbigniew Świder , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: prof. dr hab. inż. Leszek Trybus , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. Krzysztof Wiktorowicz , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. prof. PRz Marian Wysocki , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. prof. PRz Roman Zajdel , termin konsultacji informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 1: dr hab. inż. prof. PRz Tomasz Kapuściński
semestr 1: dr hab. inż. prof. PRz Ryszard Leniowski
Główny cel kształcenia: Zdobycie wiedzy i umiejętności niezbędnych do formułowania i rozwiązywania problemów badawczych
Ogólne informacje o zajęciach: Podczas zajęć studenci zostaną podzieleni na male zespoły projektowe i będą mieli możliwość wzięcia udziału w pracy badawczej pod nadzorem samodzielnych pracowników naukowych. Celem kształcenia jest zdobycie umiejętności formułowania problemów badawczych, studiowania literatury i jej krytycznej analizy, zapoznanie się z metodami badawczymi, przeprowadzenie badań oraz prezentacja rezultatów.
1 | Pieter J. | Zarys metodologii pracy naukowej | PWN. | 1975 |
2 | Pytkowski W. | Organizacja badań i ocena prac naukowych | PWN. | 1985 |
3 | Evans D., Gruba P., Zobel J. | How to write a better thesis | Melbourne Univ. Publishing, https://link.springer.com/content/pdf/10.1007%2F978-3-319-04286-2.pdf. | 2011 |
Wymagania formalne: Student wpisany na pierwszy semestr studiów magisterskich.
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu informatyki.
Wymagania wstępne w kategorii Umiejętności: Kreatywność, umiejętność obsługi komputera.
Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, komunikatywność, odpowiedzialność i szacunek do innych, umiejętność pracy w zespole.
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 | Potrafi sformułować problem badawczy. | projekt zespołowy | obserwacja wykonawstwa |
K_W01+++ K_U03++ K_K05+++ |
P7S_KR P7S_UK P7S_UO P7S_WG |
02 | Potrafi wykonać przegląd literatury. | projekt zespołowy | prezentacja projektu, raport pisemny |
K_U03+ K_K05+ |
P7S_KR P7S_UK P7S_UO |
03 | Potrafi zastosować metodę badawczą oraz przeprowadzić dyskusję rezultatów. | projekt zespołowy | prezentacja projektu, raport pisemny |
K_W01++ K_W02+ K_U03++ K_U05+++ K_U13++ K_K05+++ |
P7S_KR P7S_UK P7S_UO P7S_UW P7S_WG |
04 | Potrafi opracować i zaprezentować wyniki badań. | projekt zespołowy | prezentacja projektu, raport pisemny |
K_W01+++ K_U03+ K_U05+++ K_U14+++ K_K02+ |
P7S_KR P7S_UK P7S_UO 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 |
---|---|---|---|---|
1 | TK01 | P01 | MEK01 | |
1 | TK02 | P02 | MEK02 | |
1 | TK03 | P03-P06 | MEK03 | |
1 | TK04 | P07 | MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Projekt/Seminarium (sem. 1) | Przygotowanie do zajęć projektowych/seminaryjnych:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
30.00 godz./sem. Przygotowanie do prezentacji: 5.00 godz./sem. |
Konsultacje (sem. 1) | Udział w konsultacjach:
2.00 godz./sem. |
||
Zaliczenie (sem. 1) |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Projekt/Seminarium | Ocena uzyskana z projektu |
Ocena końcowa | Ocena uzyskana z 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 | K. Cymerys; M. Oszust | Attraction–Repulsion Optimization Algorithm for Global Optimization Problems | 2024 |
2 | M. Oszust; I. Stępień | No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures | 2023 |
3 | M. Oszust; I. Stępień | TIQA-PSI: Toolbox for perceptual Image Quality Assessment of Pan-Sharpened Images | 2023 |
4 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Blind image quality assessment of magnetic resonance images with statistics of local intensity extrema | 2022 |
5 | M. Oszust; D. Warchoł | Augmentation of Human Action Datasets with Suboptimal Warping and Representative Data Samples | 2022 |
6 | M. Oszust; D. Warchoł | Efficient Augmentation of Human Action Recognition Datasets with Warped Windows | 2022 |
7 | M. Oszust; D. Warchoł | Time Series Augmentation with Time-Scale Modifications and Piecewise Aggregate Approximation for Human Action Recognition | 2022 |
8 | M. Oszust; I. Stępień | A Brief Survey on No-Reference Image Quality Assessment Methods for Magnetic Resonance Images | 2022 |
9 | M. Oszust; I. Stępień | No-Reference Quality Assessment of Pan-Sharpening Images with Multi-Level Deep Image Representations | 2022 |
10 | S. Dippel; V. Grossmann; R. Kiko; R. Koch; M. Oszust; M. Pastell; L. Schmarje; J. Stracke; A. Valros; N. Volkmann; C. Zelenka | Is one annotation enough? - A data-centric image classification benchmark for noisy and ambiguous label estimation | 2022 |
11 | J. Krupski; M. Oszust | Isolated Sign Language Recognition with Depth Cameras | 2021 |
12 | K. Cymerys; M. Oszust; G. Sroka | A hybridization approach with predicted solution candidates for improving population-based optimization algorithms | 2021 |
13 | M. Oszust | Enhanced Marine Predators Algorithm with Local Escaping Operator for Global Optimization | 2021 |
14 | M. Oszust; G. Sroka | Approximation of the Constant in a Markov-Type Inequality on a Simplex Using Meta-Heuristics | 2021 |
15 | M. Oszust; M. Rajchel | No-reference image quality assessment of authentically distorted images with global and local statistics | 2021 |
16 | R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Fusion of Deep Convolutional Neural Networks for No-Reference Magnetic Resonance Image Quality Assessment | 2021 |
17 | K. Kamycki; T. Kapuściński; M. Oszust | Data Augmentation with Suboptimal Warping for Time-Series Classification | 2020 |
18 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski | Magnetic resonance image quality assessment by using non-maximum suppression and entropy analysis | 2020 |
19 | R. Obuchowicz; M. Oszust; A. Piórkowski | Interobserver variability in quality assessment of magnetic resonance images | 2020 |
20 | R. Obuchowicz; M. Oszust; A. Piórkowski | No-reference image quality assessment of magnetic resonance images with high-boost filtering and local features | 2020 |
21 | M. Oszust | Członkostwo w komitecie redakcyjnym czasopisma „SIGNAL IMAGE AND VIDEO PROCESSING” | 2019 |
22 | M. Oszust | Local Feature Descriptor and Derivative Filters for Blind Image Quality Assessment | 2019 |
23 | M. Oszust | No-Reference Image Quality Assessment with Local Gradient Orientations | 2019 |
24 | M. Oszust | No-Reference quality assessment of noisy images with local features and visual saliency models | 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 |