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: 17928
Status zajęć: obowiązkowy dla specjalności
Układ zajęć w planie studiów: sem: 7 / W15 L15 P15 / 5 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Mariusz Oszust
Imię i nazwisko koordynatora 2: mgr inż. Igor Stępień
Główny cel kształcenia: Zdobycie wiedzy i umiejętności w zakresie identyfikacji, analizy i zarządzania zagrożeniami związanymi ze sztuczną inteligencją.
Ogólne informacje o zajęciach: W ramach przedmiotu studenci będą poznawać różnorodne zagrożenia związane ze sztuczną inteligencją. Omówione zostaną m.in. zasady etyki w dziedzinie, regulacje prawne, manipulacje danymi, ataki generowane przez algorytmy i ochrona przed nimi, ochrona prywatności oraz kontrola.
1 | Ian Goodfellow, Yoshua Bengio, and Aaron Courville | Deep Learning, https://www.deeplearningbook.org/ | MIT Press. | 2016 |
2 | Richard Szeliski | Computer Vision - Algorithms and Applications, https://szeliski.org/Book/ | Springer-Verlag London. | |
3 | EU artificial intelligence law, EU AI Act | https://artificialintelligenceact.eu/. | 2024 | |
4 | Peter S. Park, Simon Goldstein, Aidan O'Gara, Michael Chen, Dan Hendrycks | AI Deception: A Survey of Examples, Risks, and Potential Solutions | https://arxiv.org/abs/2308.14752. | 2023 |
5 | Natali Helberger, Nicholas Diakopoulos | ChatGPT and the AI Act | Internet Policy Review, 12(1). https://doi.org/10.14763/2023.1.1682 . | 2023 |
6 | Matthew G. Gaber, Mohiuddin Ahmed, and Helge Janicke. | Malware Detection with Artificial Intelligence: A Systematic Literature Review. | ACM Comput. Surv. 56, 6, Article 148 (June 2024), 33 pages. https://doi.org/10.1145/3638552. | 2024 |
7 | Zhibo Wang, Jingjing Ma, Xue Wang, Jiahui Hu, Zhan Qin, and Kui Ren. | Threats to Training: A Survey of Poisoning Attacks and Defenses on Machine Learning Systems. | ACM Comput. Surv. 55, 7, Article 134 (July 2023), 36 pages. https://doi.org/10.1145/3538707. | 2023 |
8 | Lee, Peter, Sebastien Bubeck, and Joseph Petro | Benefits, Limits, and Risks of GPT-4 as an AI Chatbot for Medicine | New England Journal of Medicine 388.13 (2023): 1233-1239.. | 2023 |
9 | De Angelis, L., Baglivo, F., Arzilli, G., Privitera, G. P., Ferragina, P., Tozzi, A. E., & Rizzo, C. | De Angelis, Luigi, et al. "ChatGPT and the rise of large language models: the new AI-driven infodemic threat in public health | Frontiers in Public Health, 11, 1166120.. | 2023 |
1 | Ian Goodfellow, Yoshua Bengio, and Aaron Courville | AI Deception: A Survey of Examples, Risks, and Potential Solutions | https://arxiv.org/abs/2308.14752.. | |
2 | Zhibo Wang, Jingjing Ma, Xue Wang, Jiahui Hu, Zhan Qin, and Kui Ren. | Threats to Training: A Survey of Poisoning Attacks and Defenses on Machine Learning Systems. | ACM Comput. Surv. 55, 7, Article 134 (July 2023), 36 pages. https://doi.org/10.1145/3538707.. | 2023 |
3 | Ian Goodfellow, Yoshua Bengio, and Aaron Courville | Deep Learning, https://www.deeplearningbook.org/ | MIT Press.. | 2016 |
1 | LI, Bo, et al. | Trustworthy ai: From principles to practices. | ACM Computing Surveys, 2023, 55.9: 1-46.. | 2023 |
Wymagania formalne: Student wpisany na 7 semestr studiów inżynierskich
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z zakresu metod uczenia maszynowego.
Wymagania wstępne w kategorii Umiejętności: Umiejętność programowania w języku obiektowym (Python lub C++)
Wymagania wstępne w kategorii Kompetencji społecznych: Uczciwość, komunikatywność, umiejętność radzenia sobie z emocjami i ze stresem, odpowiedzialność i szacunek do innych.
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 zasady etyki w dziedzinie oraz regulacje prawne. | wykład | sprawdzian pisemny |
K_W06++ K_K01++ |
P6S_KK P6S_UU P6S_WK |
02 | zna podstawowe zagrożenia związane z manipulacją danymi. | wykład, laboratorium | sprawdzian pisemny |
K_W03+ K_W06+ K_U03++ K_U07+ |
P6S_UO P6S_UW P6S_WG P6S_WK |
03 | zna zagadnienia związane z atakami z użyciem algorytmów sztucznej inteligencji i ochroną przed nimi oraz zagadnienia identyfikacji i zwalczania zagrożeń. | wykład, laboratorium | sprawdzian pisemny |
K_W03+ K_W06+ K_U07+ |
P6S_UW P6S_WG P6S_WK |
04 | zna zagadnienia związane z uczeniem metod sztuczniej inteligencji na danych osobowych. | wykład, laboratorium | sprawdzian pisemny |
K_W03+ K_W06+ K_W12++ |
P6S_WG P6S_WK |
05 | zna zagadnienia związane z kontrolą nad algorytmami sztucznej inteligencji. | wykład, laboratorium | sprawdzian pisemny |
K_W03+ K_W06+ K_W12+ K_U07+ |
P6S_UW P6S_WG P6S_WK |
06 | potrafi zastosować w praktyce zagadnienia z obszaru zagrożeń związanych ze sztuczną inteligencją. | projekt zespołowy | prezentacja projektu, raport pisemny |
K_W03+ K_W06+ K_U03++ K_K01+ K_K07++ |
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
7 | TK01 | W01 | MEK01 | |
7 | TK02 | W01, W02, W03, L01, L02 | MEK02 | |
7 | TK03 | W04, W05, L03, L04 | MEK03 | |
7 | TK04 | W06, L05, L06 | MEK04 | |
7 | TK05 | W07, L07 | MEK05 | |
7 | TK06 | Projekt | MEK06 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 7) | Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 15.00 godz./sem. |
|
Laboratorium (sem. 7) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 10.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
5.00 godz./sem. |
Projekt/Seminarium (sem. 7) | Godziny kontaktowe:
15.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
30.00 godz./sem. Przygotowanie do prezentacji: 5.00 godz./sem. |
|
Konsultacje (sem. 7) | Udział w konsultacjach:
2.00 godz./sem. |
||
Zaliczenie (sem. 7) | Przygotowanie do zaliczenia:
15.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Ocena z testu pisemnego. |
Laboratorium | Ocena sprawozdań. |
Projekt/Seminarium | Ocena uzyskana z projektu. |
Ocena końcowa | Średnia ważona ocen. |
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 |