Cel kształcenia i wykaz literatury

Główny cel kształcenia: przekazanie studentom podstawowej wiedzy dotyczącej metod i narzędzi sztucznej inteligencji stosowanych w systemach wytwarzania i intralogistyce

Ogólne informacje o zajęciach: moduł prowadzony jest na piątym semestrze studiów inżynierskich na kierunku "automatyka i robotyka"

Materiały dydaktyczne: http://www.automatyka.kia.prz.edu.pl/

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1

R. Knosala

Zastosowania metod sztucznej inteligencji w inżynierii produkcji

WNT.

2002

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

j.w.

.

Literatura do samodzielnego studiowania

1

K. Schwab

The Fourth Industrial Revolution

Crown Business.

2017

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: rejestracja na piąty semestr studiów

Wymagania wstępne w kategorii Wiedzy: podstawowa wiedza z zakresu systemów sterowania, systemów informatycznych i podstaw sztucznej inteligencji

Wymagania wstępne w kategorii Umiejętności: podstawowa umiejętność obsługi komputera, podstawowa umiejętność obsługi pakietu Matlab lub programowania w języku Python

Wymagania wstępne w kategorii Kompetencji społecznych: podstawowa umiejętność pracy 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 pojęcia, trendy rozwojowe oraz typowe narzędzia i metody sztucznej inteligencji stosowane w systemach wytwarzania i intralogistyce	wykład, projekt	egzamin, prezentacja projektu, obserwacja wykonania	K_W16++ K_W25+ K_K01++ K_K10+++	P6S_KK P6S_WG
02	Identyfikuje problemy składowe z zakresu systemów wytwarzania i intralogistyki składające się na projekt i implementację rozwiązań wykorzystujących metody sztucznej inteligencji	wykład, projekt	egzamin, prezentacja projektu, obserwacja wykonania	K_U12+ K_U27+ K_K01+++ K_K10+++	P6S_KK P6S_UW
03	Stosuje metody i narzędzia sztucznej inteligencji w systemach produkcyjnych i intralogistyce	wykład, projekt	egzamin, prezentacja projektu, obserwacja wykonania	K_W16+++ K_U12+ K_K01+++ K_K10+++	P6S_KK P6S_UW P6S_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
5	TK01	Wprowadzenie do zastosowań metod AI i CI w systemach wytwarzania i intralogistyce	W01-W04	MEK01
5	TK02	Architektury systemów informatycznych umożliwiających stosowanie metod AI w procesach przemysłowych	W05-W06, P01-P15	MEK01
5	TK03	Proces zastosowania metod CI w systemach produkcyjnych – wprowadzenie	W07-W10, P01-P15	MEK01 MEK02
5	TK04	Metody oceny jakości klasyfikacji i maszynowego odkrywania wiedzy.	W11-W12, P01-P15	MEK03
5	TK05	Maszynowe odkrywanie związków przyczynowo-skutkowych lub wzorców sekwencji - przykład praktyczny.	W13-W16, P01-P15	MEK03
5	TK06	Jednoklasowe lub wieloklasowe metody klasyfikacji - przykład praktyczny	W17-W20, P01-P15	MEK03
5	TK07	Modele predykcyjne	W21-W25, P01-P15	MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)		Godziny kontaktowe: 25.00 godz./sem.
Projekt/Seminarium (sem. 5)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 35.00 godz./sem. Przygotowanie do prezentacji: 5.00 godz./sem.
Konsultacje (sem. 5)	Przygotowanie do konsultacji: 2.00 godz./sem.	Udział w konsultacjach: 2.00 godz./sem.
Egzamin (sem. 5)	Przygotowanie do egzaminu: 10.00 godz./sem.	Egzamin ustny: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Projekt/Seminarium
Ocena końcowa

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	D. Mazurkiewicz; G. Piecuch; P. Sobecki; T. Żabiński	Virtual tomography as a novel method for segmenting machining process phases with the use of machine learning-supported measurement	2024
2	M. Bolanowski; A. Paszkiewicz; G. Piecuch; D. Rączka; M. Salach; T. Żabiński	Estimation of Tool Life in the Milling Process—Testing Regression Models	2023
3	M. Bolanowski; A. Paszkiewicz; G. Piecuch; M. Salach; K. Tomecki; T. Żabiński	System Architecture for Diagnostics and Supervision of Industrial Equipment and Processes in an IoE Device Environment	2023
4	E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification	2022
5	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life	2022
6	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Machining Process Time Series Data Analysis with a Decision Support Tool	2022
7	K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński	The use of random forests to support the decision-making process for sustainable manufacturing	2022
8	R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński	Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing	2022
9	J. Kluska; T. Mączka; T. Żabiński	Applications of Computational Intelligence Methods for Control and Diagnostics	2021
10	K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński	Integrating advanced measurement and signal processing for reliability decision-making	2021
11	L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński	FPGA-Embedded Anomaly Detection System for Milling Process	2021
12	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Machining sensor data management for operation-level predictive model	2020
13	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
14	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
15	J. Kluska; T. Mączka; T. Żabiński	Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki	2020
16	J. Kluska; T. Żabiński	PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion	2020
17	M. Hadław; T. Żabiński	A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems	2020
18	E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński	Assessment model of cutting tool condition for real-time supervision system	2019
19	E. Kozłowski; D. Mazurkiewicz; T. Żabiński	Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego	2019
20	G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła	Milling process diagnosis using computational intelligence methods	2019
21	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
22	M. Madera ; G. Piecuch; T. Żabiński	Diagnostics of welding process based on thermovision images using convolutional neural network	2019