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: 17943
Status zajęć: obowiązkowy dla programu
Układ zajęć w planie studiów: sem: 8 / W10 P10 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr inż. Grzegorz Piecuch
Imię i nazwisko koordynatora 2: dr inż. Tomasz Żabiński
Główny cel kształcenia: Przekazanie studentom podstawowej wiedzy dotyczącej głównych zagadnień, metod i narzędzi informatycznych stosowanych w obszarze cyfryzacji systemów produkcyjnych i zastosowania w nich metod sztucznej inteligencji
Ogólne informacje o zajęciach: Moduł prowadzony jest na 8 semestrze studiów inżynierskich na kierunku informatyka
Materiały dydaktyczne: www.automatyka.kia.prz.edu.pl
1 | A. K. Kordon | Applying Computational Intelligence. How to Create Value | Springer-Verlag. | 2010 |
2 | D. Laha, P. Mandal | Handbook of Computational Intelligence in Manufacturing and Production Management | IGI Global. | 2008 |
3 | K. Schwab | The Fourth Industrial Revolution | Crown Business. | 2017 |
1 | jak wyżej | . |
1 | jak wyżej | . | ||
2 | R. Knosala | Zastosowania metod sztucznej inteligencji w inżynierii produkcji | WNT. | 2002 |
Wymagania formalne: Rejestracja na 8 semestr studiów
Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza dotycząca technologii i systemów informatycznych oraz metod sztucznej inteligencji
Wymagania wstępne w kategorii Umiejętności: Podstawowa umiejętność programowania w językach C# lub Python
Wymagania wstępne w kategorii Kompetencji społecznych: Podstawowa umiejętność współpracy w zespole
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 | Ma wiedzę o rozwiązaniach informatycznych oraz trendach rozwojowych związanych z zastosowaniem technologii informatycznych, w tym metod sztucznej inteligencji, w systemach produkcyjnych. | wykład problemowy, projekt | prezentacja projektu |
K_W09++ K_U06++ K_K01+++ |
P6S_KK P6S_UU P6S_UW P6S_WG |
02 | Ma podstawową wiedzę w zakresie inżynierii produkcji, w tym w szczególności zasad i narzędzi produkcji odchudzonej oraz systemów i technologii informatycznych wspomagających realizację procesów produkcyjnych. | wykład problemowy, projekt | obserwacja wykonawstwa, prezentacja projektu |
K_W12++ K_U07++ K_K07+++ |
P6S_KO P6S_UW P6S_WG |
03 | Potrafi stosować technologie, systemy i narzędzia informatyczne do cyfryzacji procesów przemysłowych | wykład problemowy, projekt | obserwacja wykonania, prezentacja projektu |
K_W09+++ K_U14+++ K_K07+++ |
P6S_KO P6S_UW P6S_WG |
04 | Potrafi stosować metody inteligencji obliczeniowej w systemach produkcyjnych | wykład problemowy, projekt | obserwacja wykonania, prezentacja projektu |
K_W09+++ K_U06++ 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 |
---|---|---|---|---|
8 | TK01 | W01, P01-P07 | MEK01 | |
8 | TK02 | W02, P01-P07 | MEK02 | |
8 | TK03 | W03, P01-P07 | MEK01 MEK02 | |
8 | TK04 | W06-W07, P01-P07 | MEK03 MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 8) | Przygotowanie do kolokwium:
10.00 godz./sem. |
Godziny kontaktowe:
10.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
20.00 godz./sem. Studiowanie zalecanej literatury: 20.00 godz./sem. |
Projekt/Seminarium (sem. 8) | Godziny kontaktowe:
10.00 godz./sem.. |
||
Konsultacje (sem. 8) | Przygotowanie do konsultacji:
4.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
Zaliczenie (sem. 8) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Zaliczenie ustne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | prezentacja projektu |
Projekt/Seminarium | |
Ocena końcowa | ocena końcowa = ocena z projektu |
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. Mazurkiewicz; G. Piecuch; P. Sobecki; T. Żabiński | Virtual tomography as a novel method for segmenting machining process phases with the use of machine learning-supported measurement | 2024 |
2 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; D. Rączka; M. Salach; T. Żabiński | Estimation of Tool Life in the Milling Process—Testing Regression Models | 2023 |
3 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; M. Salach; K. Tomecki; T. Żabiński | System Architecture for Diagnostics and Supervision of Industrial Equipment and Processes in an IoE Device Environment | 2023 |
4 | E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification | 2022 |
5 | G. Piecuch; R. Żyła | Diagnosing Extrusion Process Based on Displacement Signal and Simple Decision Tree Classifier | 2022 |
6 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life | 2022 |
7 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machining Process Time Series Data Analysis with a Decision Support Tool | 2022 |
8 | K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński | The use of random forests to support the decision-making process for sustainable manufacturing | 2022 |
9 | R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński | Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
10 | J. Kluska; T. Mączka; T. Żabiński | Applications of Computational Intelligence Methods for Control and Diagnostics | 2021 |
11 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Integrating advanced measurement and signal processing for reliability decision-making | 2021 |
12 | L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński | FPGA-Embedded Anomaly Detection System for Milling Process | 2021 |
13 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Machining sensor data management for operation-level predictive model | 2020 |
14 | G. Piecuch | Rotation Speed Detection of a CNC Spindle Based on Ultrasonic Signal | 2020 |
15 | 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 |
16 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis | 2020 |
17 | J. Kluska; T. Mączka; T. Żabiński | Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki | 2020 |
18 | J. Kluska; T. Żabiński | PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion | 2020 |
19 | M. Hadław; T. Żabiński | A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems | 2020 |
20 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Assessment model of cutting tool condition for real-time supervision system | 2019 |
21 | E. Kozłowski; D. Mazurkiewicz; T. Żabiński | Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego | 2019 |
22 | G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła | Milling process diagnosis using computational intelligence methods | 2019 |
23 | J. Kluska; M. Madera ; T. Mączka; J. Sęp; T. Żabiński | Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application | 2019 |
24 | M. Madera ; G. Piecuch; T. Żabiński | Diagnostics of welding process based on thermovision images using convolutional neural network | 2019 |