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: 17941
Status zajęć: obowiązkowy dla specjalności
Układ zajęć w planie studiów: sem: 6 / W10 L10 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Tomasz Kapuściński
Terminy konsultacji koordynatora: https://office.kia.prz.edu.pl//index.php?action=konsultacje
Imię i nazwisko koordynatora 2: dr hab. inż. prof. PRz Marian Wysocki
Terminy konsultacji koordynatora: https://office.kia.prz.edu.pl//index.php?action=konsultacje
Główny cel kształcenia: Przedstawienie podstaw sieci LSTM i transformerów oraz ich zastosowania w prognozowaniu szeregów czasowych oraz klasyfikacji, obrazów sekwencji wizyjnych i tekstu.
Ogólne informacje o zajęciach: Moduł jest prowadzony na szóstym semestrze na kierunku Informatyka, specjalność Sztuczna inteligencja
1 | M. Muraszkiewicz, R. Nowak | Sztuczna inteligencja dla inżynierów. Metody ogólne | Oficyna Wyd. Politechniki Warszawskiej. | 2022 |
2 | V. Zocca et al. | Deep Learning. Uczenie głębokie z językiem Python | Helion, Gliwice. | 2018 |
3 | MATLAB | Deep Learning Toolbox, Documentation | Matlab R2024a. | 2024 |
1 | V. Zocca et. al. | Deep Learning. Uczenie glębokie z językiem Python | Helion, Gliwice. | 2018 |
2 | MATLAB | Deep Learning Toolbox, Documentation | Matlab R2024a. | 2024 |
1 | I. Goodfellow, Y. Bengio, A Courville | Deep Learning. Systemy uczące się | PWN, Warszawa. | 2018 |
2 | A. Dosovitskiy et al. | An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale | Proc. 9th International Conference on Learning Representations (ICLR). | 2021 |
3 | A. Vaswani et al. | Attention Is All You Need | Proc. 31st Conference on Neural Information Processing Systems (NIPS). | 2017 |
4 | S. Wajjala, B. Majumder, A. Gupta, H. Surana | Przetwarzanie języka naturalnego w praktyce | Helion, Gliwice. | 2023 |
5 | J. Delvin et al. | Pre-training of Deep Bidirectional Transformers for Language Understanding | Proc. NAACL. Vol. 1. | 2019 |
Wymagania formalne: Rejestracja na 6 semestr. Zaliczenie modułów poprzedzających przedmiot.
Wymagania wstępne w kategorii Wiedzy: Ogólna wiedza o sieciach neuronowych
Wymagania wstępne w kategorii Umiejętności: Umiejętność korzystania ze środowisk informatycznych
Wymagania wstępne w kategorii Kompetencji społecznych: Umiejętność pracy w niewielkich zespołach
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 architekturę, parametry uczenia i możliwości zastosowania sieci LSTM | wykłady, ćwiczenia laboratoryjne | dokumentacja ćwiczeń laboratoryjnych, kolokwium |
K_W04++ |
P6S_WG |
02 | zna pojęcie uwagi i podstawy zastosowania uwagi w uczeniu głębokim | wykłady i ćwiczenia laboratoryjne | dokumentacja ćwiczeń laboratoryjnych, kolokwium |
K_U01++ |
P6S_UW |
03 | zna podstawy budowy i trenowania transformera oraz transformera wizyjnego | wykład, ćwiczenia laboratoryjne | dokumentacja ćwiczeń laboratoryjnych, kolokwium |
K_W04++ |
P6S_WG |
04 | zna podstawy klasyfikacji tekstu | wykład, ćwiczenia laboratoryjne | dokumentacja ćwiczeń laboratoryjnych, kolokwium |
K_U08++ |
P6S_UW |
05 | potrafi wykorzystać zdobytą wiedzę i poznane narzędzia programowe w zastosowaniach do prognozowania, rozpoznawania obrazów i sekwencji wizyjnych, klasyfikacji tekstu, oraz tłumaczenia | wykład, ćwiczenia laboratoryjne | dokumentacja ćwiczeń laboratoryjnych, kolokwium |
K_U01+++ |
P6S_UW |
06 | orientuje się w kierunkach rozwoju technologii | wykład | kolokwium |
K_K02++ |
P6S_KK P6S_KO P6S_UU |
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, L01 | MEK01 | |
6 | TK02 | W02, L02 | MEK02 | |
6 | TK03 | W03, L03 | MEK03 | |
6 | TK04 | W04, L04 | MEK03 | |
6 | TK05 | W05, L05 | MEK04 | |
6 | TK06 | W01-W05, L01-L05 | MEK05 | |
6 | TK07 | W05 | MEK06 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Godziny kontaktowe:
10.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
|
Laboratorium (sem. 6) | Przygotowanie do laboratorium:
10.00 godz./sem. |
Godziny kontaktowe:
10.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. |
Konsultacje (sem. 6) | Udział w konsultacjach:
4.00 godz./sem. |
||
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | zaliczenie pisemne |
Laboratorium | dokumentacja ćwiczeń laboratoryjnych |
Ocena końcowa | średnia z ocen zaliczenia wykładu i zaliczenia laboratorium |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | D. Kalandyk; T. Kapuściński | Temporal signed gestures segmentation in an image sequence using deep reinforcement learning | 2024 |
2 | T. Kapuściński; D. Warchoł | A Four-Stage Mahalanobis-Distance-Based Method for Hand Posture Recognition | 2023 |
3 | K. Inglot; T. Kapuściński | Vision-based gesture modeling for signed expressions recognition | 2022 |
4 | T. Kapuściński | Handshape Recognition in an Educational Game for Finger Alphabet Practicing | 2022 |
5 | T. Kapuściński; M. Mis | Differential Pseudo-Image for Skeleton-Based Dynamic Gesture Recognition | 2022 |
6 | G. Jaromi; T. Kapuściński; D. Kordos; T. Rogalski; P. Rzucidło; P. Szczerba | In-Flight Tests of Intruder Detection Vision System | 2021 |
7 | K. Kamycki; T. Kapuściński; M. Oszust | Data Augmentation with Suboptimal Warping for Time-Series Classification | 2020 |
8 | K. Sidor; M. Wysocki | Recognition of Human Activities Using Depth Maps and the Viewpoint Feature Histogram Descriptor | 2020 |
9 | M. Wysocki | Zaawansowane systemy informatyczne: studia wybranych przypadków | 2020 |
10 | T. Kapuściński; D. Warchoł | Hand Posture Recognition Using Skeletal Data and Distance Descriptor | 2020 |
11 | T. Kapuściński; D. Warchoł | Human Action Recognition Using Bone Pair Descriptor and Distance Descriptor | 2020 |
12 | T. Kapuściński; M. Wysocki | Recognition of Signed Expressions in an Experimental System Supporting Deaf Clients in the City Office | 2020 |
13 | T. Kapuściński; T. Rogalski; P. Rzucidło; P. Szczerba; Z. Szczerba | A Vision-Based Method for Determining Aircraft State during Spin Recovery | 2020 |
14 | T. Kapuściński; D. Warchoł; M. Wysocki | Recognition of Fingerspelling Sequences in Polish Sign Language Using Point Clouds Obtained from Depth Images | 2019 |
15 | 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 |