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: 17939
Status zajęć: obowiązkowy dla specjalności
Układ zajęć w planie studiów: sem: 6 / W10 L10 P10 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: mgr inż. Dawid Kalandyk
Terminy konsultacji koordynatora: Informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 2: dr hab. inż. prof. PRz Roman Zajdel
Terminy konsultacji koordynatora: Informacja na stronie KIiA: https://office.kia.prz.edu.pl
Główny cel kształcenia: Poznanie podstawowych zagadnień z związanych z paradygmatem uczenia się ze wzmocnieniem oraz jego zastosowania do podejmowania decyzji i zadań sterowania.
Ogólne informacje o zajęciach:
Materiały dydaktyczne: http://materialy.prz-rzeszow.pl/
1 | Roman Zajdel | Uczenie się ze wzmocnieniem w trybie epokowo inkrementacyjnym | Oficyna Wydawnicza Politechniki Rzeszowskiej. | 2015 |
2 | Paweł Cichosz | Systemy uczące się | Wydawnictwa Naukowo-Techniczne (ISBN 83-204-2544-1). | 2000 |
3 | Richard S. Sutton and Andrew G. Barto | Reinforcement Learning: An Introduction | The MIT Press Cambridge, Massachusetts London, England. | 2018 |
4 | Volodymyr Mnih et al. | Human-level control through deep reinforcement learning | doi:10.1038/nature14236. | 2015 |
5 | Dawid Kalandyk and Tomasz Kapuściński | Temporal Signed Gestures Segmentation in an Image Sequence Using Deep Reinforcement Learning | Engineering Applications of Artificial Intelligence (https://doi.org/10.1016/j.engappai.2024.107879). | 2024 |
6 | Dawid Kalandyk, Bogdan Kwiatkowski and Damian Mazur | CNC Machine Control Using Deep Reinforcement Learning | Bulletin Of The Polish Academy Of Sciences Technical Sciences (DOI: 10.24425/bpasts.2024.148940). | 2024 |
1 | https://unity.com/products/unity-engine | . | ||
2 | https://realpython.com/python-raspberry-pi/ | . | ||
3 | https://www.raspberrypi.com/documentation/ | . |
Wymagania formalne: Student wpisany na 6 semestr studiów inżynierskich.
Wymagania wstępne w kategorii Wiedzy: Student zna podstawy obiektowego pisania programów.
Wymagania wstępne w kategorii Umiejętności: Student potrafi programować w języku Python lub Matlab, ma podstawową wiedzę w zakresie metod przetwarzania obrazu oraz algorytmiki.
Wymagania wstępne w kategorii Kompetencji społecznych: Student powinien posiadać umiejętność pracy w zespole oraz potrafić poddać krytycznej analizie na forum grupy rozwiązania proponowane przez zespół.
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 paradygmat uczenia się ze wzmocnieniem, podstawowe pojęcia z nim związane oraz rozumie proces nauki agenta w różnego rodzaju środowiskach. | wykład, laboratorium, projekt zespołowy | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K_W04++ K_U01+ |
P6S_UW P6S_WG |
02 | Dla konkretnego zadania potrafi zaprojektować proces nauki wraz z wstępnym doborem parametrów. | wykład, laboratorium, projekt zespołowy | zaliczenie cz. pisemna, zaliczenie cz. praktyczna |
K_W04++ K_W06+ K_U01+++ K_U02++ K_K07+++ |
P6S_KO P6S_UW P6S_WG P6S_WK |
03 | Potrafi projektować własne rozwiązania zadań sterowania w oparciu o paradygmat uczenia się ze wzmocnieniem. Potrafi planować oraz realizować eksperymenty symulacyjne oraz rzetelnie weryfikować i analizować ich wyniki. | wykład, laboratorium, projekt zespołowy | sprawozdanie z projektu, prezentacja projektu |
K_W04++ K_U01+ K_U02+++ K_U06+++ K_K01+ K_K07+++ |
P6S_KK P6S_KO P6S_UU 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 | MEK01 MEK02 | |
6 | TK03 | W02 | MEK01 MEK02 | |
6 | TK04 | W03 | MEK01 MEK02 | |
6 | TK05 | W03 | MEK01 MEK02 | |
6 | TK06 | W04, L06 | MEK01 MEK02 | |
6 | TK07 | W04 | MEK01 MEK02 | |
6 | TK08 | W05 | MEK02 MEK03 | |
6 | TK09 | W05 | MEK02 MEK03 | |
6 | TK10 | W06 | MEK02 MEK03 | |
6 | TK11 | W06 | MEK02 MEK03 | |
6 | TK12 | W07 | MEK02 MEK03 | |
6 | TK13 | L01, L02 | MEK01 MEK02 | |
6 | TK14 | L03 | MEK01 MEK02 | |
6 | TK15 | L04 | MEK01 MEK02 | |
6 | TK16 | L05 | MEK01 MEK02 | |
6 | TK17 | P01, P02, P03, P04, P05 | MEK01 MEK02 MEK03 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Godziny kontaktowe:
10.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
6.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
|
Laboratorium (sem. 6) | Przygotowanie do laboratorium:
6.00 godz./sem. |
Godziny kontaktowe:
10.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
6.00 godz./sem. |
Projekt/Seminarium (sem. 6) | Przygotowanie do zajęć projektowych/seminaryjnych:
6.00 godz./sem. |
Godziny kontaktowe:
10.00 godz./sem.. |
Wykonanie projektu/dokumentacji/raportu:
12.00 godz./sem. |
Konsultacje (sem. 6) | |||
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Suma zdobytych punktów. (max. 20) |
Laboratorium | Suma zdobytych punktów. (max. 30) |
Projekt/Seminarium | Suma zdobytych punktów. (max. 50) |
Ocena końcowa | Na podstawie łącznej sumy punktów z poszczególnych modułów. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | M. Kusy; R. Zajdel | New data reduction algorithms based on the fusion of instance and feature selection | 2024 |
2 | M. Kusy; R. Zajdel | A weighted wrapper approach to feature selection | 2021 |
3 | 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 |
4 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis | 2020 |