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: stacjonarne
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: 17923
Status zajęć: obowiązkowy dla specjalności
Układ zajęć w planie studiów: sem: 6 / W30 L15 P15 / 5 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora: prof. dr hab. inż. Jacek Kluska
Główny cel kształcenia: Celem przedmiotu jest pokazanie możliwości konstrukcji i zastosowań interpretowalnych systemów wspomagania decyzji, wykorzystujące głębokie i płytkie algorytmy sztucznej inteligencji.
Ogólne informacje o zajęciach: Moduł podkreśla potrzebę rozwoju zrozumiałej sztucznej inteligencji (XAI).
Materiały dydaktyczne: Slajdy przekazywane studentom
Inne: Część materiałów może być przekazywana studentom w postaci programów Matlaba, Pythona itp.
1 | Kluska J. | Analytical methods in fuzzy modeling and control | Springer-Verlag, Berlin Heidelberg. | 2009 |
2 | Bishop C.M. | Pattern Recognition and Machine Learning | Springer. | 2006 |
3 | Ferreira C. | Gene expression programming | Springer-Verlag. | 2006 |
4 | Kluska J. | New results in analytical modeling using Takagi-Sugeno expert system | Issues in Intelligent Systems Paradigms, Exit. | 2005 |
5 | Kluska J. | Transformation Lemma on Analytical Modeling Via Takagi-Sugeno Fuzzy System and Its Applications | Artificial Intelligence and Soft Computing, ICAISC 2006, eds. Rutkowski, L., et al., Springer Berlin-Heidelberg, pp. 230-239. | 2006 |
6 | Kluska J., Madera M. | Extremely simple classifier based on fuzzy logic and gene expression programming | Information Sciences, 571, pp. 560-579. | 2021 |
7 | Kluska J., Żabiński T., Mączka T. | Applications of Computational Intelligence Methods for Control and Diagnostics | Automatic Control, Robotics, and Information Processing, 671-698. | 2021 |
8 | Kluska J., Kusy M., Obrzut B. | The classifier for prediction of peri-operative complications in cervical cancer treatment | Artificial Intelligence and Soft Computing, ICAISC 2014, Proceedings, Part II 13, pp. 143-154. | 2014 |
9 | Czmil S. Kluska J., Czmil A. | CACP: Classification algorithms comparison pipeline | SoftwareX 19, 101134. | 2022 |
10 | Żabiński T., Mączka T., Kluska J., Madera M., Sęp J. | Condition monitoring in Industry 4.0 production systems-the idea of computational intelligence methods application | Procedia CIRP 79, 63-67. | 2019 |
1 | Mathworks Inc. | Matlab Online Documentation | http://www.mathworks.com. | 2024 |
1 | Czmil S., Kluska J., Czmil A. | An empirical study of a simple incremental classifier based on vector quantization and adaptive resonance theory | International Journal on Applieg Mathematics and Computer Science, 34 (1), 149-165. | 2024 |
Wymagania formalne: Studenci mają zaliczone kursy podstawowe z przedmiotów "Sztuczna inteligencja" i "Uczenie maszynowe".
Wymagania wstępne w kategorii Wiedzy: K_W04podstawowa wiedza z zakresu matematyki i informatyki.
Wymagania wstępne w kategorii Umiejętności: K_U08umiejętność obsługi komputera i korzystania ze środowisk programistycznych.
Wymagania wstępne w kategorii Kompetencji społecznych: K_K04zdolność do współpracy w niewielkim zespole (laboratorium).
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 | potraf ocenić jakość i transparentność często stosowanych płytkich i głębokich modeli sztucznej inteligencji | wykład, laboratorium, projekt indywidualny, projekt zespołowy | egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu |
K_W12+ K_U01+ K_K07+ |
P6S_KO P6S_UW P6S_WG |
02 | umie przeanalizować działanie sieci Bayesa zbudowaną na podstawie danych statystycznych | wykład, laboratorium, projekt indywidualny, projekt zespołowy | egzamin cz. pisemna, obserwacja wykonawstwa, prezentacja projektu |
K_U01+ K_K01+ K_K07+ |
P6S_KK P6S_KO P6S_UU P6S_UW |
03 | rozumie problem uczenia przyrostowego i potrzebę konstrukcji łatwo interpretowalnych systemów sztucznej inteligencji | wykład, laboratorium, projekt indywidualny | egzamin cz. pisemna, obserwacja wykonawstwa, prezentacja projektu |
K_W12+ K_U01+ K_U02+ K_K07+ |
P6S_KO P6S_UW P6S_WG |
04 | zna pewne przemysłowe zastosowania klasyfikatorów jednoklasowych, w szczególności systemy wykrywania anomalii | wykład, laboratorium, projekt indywidualny | egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu |
K_U01+ K_K01+ K_K07+ |
P6S_KK P6S_KO P6S_UU P6S_UW |
05 | rozumie ogólną zasadę działania rekurencyjnej sieci neuronowej, transformerów i technikę segmentacji obrazów, oraz potrafi wskazać przykłady ich praktycznego zastosowania | wykład, laboratorium, projekt indywidualny | egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu |
K_W05+ K_U01+ K_U02+ K_K07+ |
P6S_KO P6S_UW P6S_WG |
06 | potrafi użyć przynajmniej jednej metody poszukiwania hiperparametrów głębokiej sieci neuronowej i rozumie potrzebę oraz ideę tworzenia łatwo interpretowalnych systemów regułowych, które potrafią wyjaśnić działanie głębokiej sieci neuronowej | wykład, laboratorium, projekt indywidualny | egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu |
K_W05+ K_U01+ K_U02+ K_K07+ |
P6S_KO 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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
6 | TK01 | W01 | MEK01 | |
6 | TK02 | W02 | MEK02 | |
6 | TK03 | W03 | MEK03 | |
6 | TK04 | W04 | MEK03 | |
6 | TK05 | W05 | MEK04 | |
6 | TK06 | W06 | MEK04 | |
6 | TK07 | W07 | MEK04 | |
6 | TK08 | W08 | MEK05 | |
6 | TK09 | W09 | MEK04 MEK05 | |
6 | TK10 | W10 | MEK06 | |
6 | TK11 | W11 | MEK06 | |
6 | TK12 | W12 | MEK06 | |
6 | TK13 | W13, W14 | MEK06 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Przygotowanie do kolokwium:
6.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
15.00 godz./sem. Studiowanie zalecanej literatury: 15.00 godz./sem. |
Laboratorium (sem. 6) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 3.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
2.00 godz./sem. |
Projekt/Seminarium (sem. 6) | Przygotowanie do zajęć projektowych/seminaryjnych:
10.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
3.00 godz./sem. Przygotowanie do prezentacji: 3.00 godz./sem. |
Konsultacje (sem. 6) | Przygotowanie do konsultacji:
2.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
Egzamin (sem. 6) | Przygotowanie do egzaminu:
8.00 godz./sem. |
Egzamin pisemny:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Zaliczenie kolokwium. |
Laboratorium | Przygotowanie sprawozdania. |
Projekt/Seminarium | Wykonanie i ustne zaliczenie projektu. |
Ocena końcowa | Średnia ocena z zaliczenia laboratorium, projektu oraz egzaminu. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie