Logika i teoria mnogości
Podstawowe informacje o zajęciach
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: pierwszego stopnia
Forma studiów: niestacjonarne
Specjalności na kierunku: AA - inżynieria systemów informatycznych, AI - Sztuczna inteligencja, TT - informatyka w przedsiębiorstwie, Z - inżynieria systemów złożonych
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 1789
Status zajęć: obowiązkowy dla programu AI - Sztuczna inteligencja
Układ zajęć w planie studiów: sem: 1 / W10 L10 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. Krzysztof Wiktorowicz
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Cel kształcenia i wykaz literatury
Główny cel kształcenia: Poznanie podstawowych pojęć z logiki i teorii mnogości
Ogólne informacje o zajęciach:
Materiały dydaktyczne: http://kwiktor.prz-rzeszow.pl/dydaktyk.html
Wykaz literatury, wymaganej do zaliczenia zajęć
| 1 | Wiktorowicz K. | Logika i teoria mnogości. Materiały pomocnicze | Oficyna Wydawnicza PRz. | 2017 |
| 2 | Rasiowa H. | Wstęp do matematyki współczesnej | PWN, Warszawa. | 2003 |
| 3 | Trzęsicki K. | Logika i teoria mnogości | EXIT, Warszawa. | 2003 |
| 4 | Ben-Ari M. | Logika matematyczna w informatyce | WNT, Warszawa. | 2005 |
| 1 | Marek W., Onyszkiewicz J. | Elementy logiki i teorii mnogości w zadaniach | PWN, Warszawa. | 2003 |
Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych
Wymagania formalne: Rejestracja na dany semestr studiów
Wymagania wstępne w kategorii Wiedzy:
Wymagania wstępne w kategorii Umiejętności:
Wymagania wstępne w kategorii Kompetencji społecznych:
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 | Rozwiązuje elementarne zadania z logiki | wykład, laboratorium | sprawdzian pisemny |
K_W01+ K_U06+ |
P6S_UW P6S_WG |
| 02 | Rozwiązuje elementarne zadania z teorii mnogości | wykład, laboratorium | sprawdzian pisemny |
K_W01+ K_U06+ |
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 |
|---|---|---|---|---|
| 1 | TK01 | W, L | MEK02 | |
| 1 | TK02 | W, L | MEK02 | |
| 1 | TK03 | W, L | MEK01 | |
| 1 | TK04 | W, L | MEK01 | |
| 1 | TK05 | W, L | MEK01 |
Nakład pracy studenta
| Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
|---|---|---|---|
| Wykład (sem. 1) | Godziny kontaktowe:
10.00 godz./sem. |
||
| Laboratorium (sem. 1) | Godziny kontaktowe:
10.00 godz./sem. |
||
| Konsultacje (sem. 1) | |||
| Zaliczenie (sem. 1) |
Sposób wystawiania ocen składowych zajęć i oceny końcowej
| Forma zajęć | Sposób wystawiania oceny podsumowującej |
|---|---|
| Wykład | |
| Laboratorium | |
| Ocena końcowa | Ocena z laboratorium |
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 | K. Wiktorowicz | T2RFIS: type-2 regression-based fuzzy inference system | 2023 |
| 2 | K. Wiktorowicz | RFIS: regression-based fuzzy inference system | 2022 |
| 3 | T. Krzeszowski; K. Wiktorowicz | Identification of time series models using sparse Takagi–Sugeno fuzzy systems with reduced structure | 2022 |
| 4 | T. Krzeszowski; K. Przednowek; K. Wiktorowicz | Sparse regressions and particle swarm optimization in training high-order Takagi–Sugeno fuzzy systems | 2021 |
| 5 | T. Krzeszowski; K. Wiktorowicz | Training Sparse Fuzzy Classifiers Using Metaheuristic Optimization | 2021 |
| 6 | T. Krzeszowski; K. Wiktorowicz | Approximation of two-variable functions using high-order Takagi–Sugeno fuzzy systems, sparse regressions, and metaheuristic optimization | 2020 |
| 7 | T. Krzeszowski; K. Wiktorowicz | Combined Regularized Discriminant Analysis and Swarm Intelligence Techniques for Gait Recognition | 2020 |
| 8 | T. Krzeszowski; K. Wiktorowicz | Training High-Order Takagi-Sugeno Fuzzy Systems Using Batch Least Squares and Particle Swarm Optimization | 2020 |
| 9 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | A web-oriented expert system for planning hurdles race training programmes | 2019 |
| 10 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | The Application of Multiview Human Body Tracking on the Example of Hurdle Clearance | 2019 |
| 11 | J. Iskra; T. Krzeszowski; K. Przednowek; K. Wiktorowicz | Wspomaganie procesu treningowego w biegach przez płotki z wykorzystaniem modelowania komputerowego | 2019 |