Cel kształcenia i wykaz literatury

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).

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Mathworks Inc.

Matlab Online Documentation

http://www.mathworks.com.

2024

Literatura do samodzielnego studiowania

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 wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Studenci mają zaliczone kursy podstawowe z przedmiotów "Sztuczna inteligencja" i "Uczenie maszynowe".

Wymagania wstępne w kategorii Wiedzy: K_W04

Wymagania wstępne w kategorii Umiejętności: K_U08

Wymagania wstępne w kategorii Kompetencji społecznych: K_K04

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	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_U01+ K_K07+	P6S_KO P6S_UW
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_W04+ K_U01+	P6S_UW P6S_WG
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_U01+ K_U02+	P6S_UW
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+	P6S_KK 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_U01+ K_K01+ K_K07+	P6S_KK P6S_KO P6S_UU P6S_UW
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_U01+ K_K07+	P6S_KO P6S_UW

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
7	TK01	Ocena jakości i transparentności płytkich i głębokich modeli sztucznej inteligencji	-	MEK01
7	TK02	Synteza i analiza sieci Bayesa na podstawie danych statystycznych	-	MEK02
7	TK03	Sieć neuronowa do uczenia przyrostowego oparta na teorii rezonansu adaptacyjnego i logice rozmytej	-	MEK03
7	TK04	Synteza łatwo interpretowalnego systemu wspomagania decyzji medycznych	-	MEK04
7	TK05	Interpretacja i zastosowanie klasyfikatorów jednoklasowych	-	MEK04 MEK05
7	TK06	W pełni splotowa sieć opisu danych do wykrywania anomalii	-	MEK04
7	TK07	Wykrywanie nieprawidłowości w procesach przemysłowych za pomocą rekurencyjnej sieci neuronowej	-	MEK04
7	TK08	Wykorzystanie transformerów do wspomagania procesów decyzyjnych w języku naturalnym	-	MEK04
7	TK09	Technika segmentacji obrazów oraz wyjaśnialnego uczenia głębokiego	-	MEK01 MEK04 MEK05
7	TK10	Zastosowanie technik i modeli przetwarzania języka naturalnego w przemyśle	-	MEK01 MEK03 MEK04
7	TK11	Poszukiwanie hiperparametrów głębokiej sieci neuronowej za pomocą optymalizacji bayesowskiej	-	MEK01 MEK05
7	TK12	Synteza systemu regułowego wyjaśniającego działanie głębokiej sieci neuronowej	-	MEK06
7	TK13	Implementacja interpretowalnego systemu predykcji błędów w kodzie źródłowym w systemach GEP i Python	-	MEK06

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 10.00 godz./sem. Przygotowanie do kolokwium: 8.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 10.00 godz./sem.
Projekt/Seminarium (sem. 7)	Przygotowanie do zajęć projektowych/seminaryjnych: 8.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 6.00 godz./sem. Przygotowanie do prezentacji: 5.00 godz./sem.
Konsultacje (sem. 7)	Przygotowanie do konsultacji: 6.00 godz./sem.	Udział w konsultacjach: 4.00 godz./sem.
Egzamin (sem. 7)	Przygotowanie do egzaminu: 10.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

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: nie