Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest podanie matematycznych podstaw tworzenia narzędzi informatycznych opartych na metodach inteligencji obliczeniowej i drążenia danych, prezentacja istniejącego oprogramowania oraz podanie przykładów zastosowań.

Ogólne informacje o zajęciach: Zasadniczym tematem modułu jest prezentacja wybranych metod inteligencji obliczeniowej, w tym algorytmów min-max, A* oraz logiki rozmytej, sztucznych sieci neuronowych, systemów ekspertowych i algorytmów uczenia się ze wzmocnieniem.

Materiały dydaktyczne: http://materialy.prz-rzeszow.pl/

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Bonaccorso G.	Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji	Helion.	2019
2	Korbicz J., Obuchowicz A., Uciński D.	Sztuczne sieci neuronowe. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza PLJ, Warszawa., .	1994
3	Driankov D., Hellendoorn H., Reinfrank M.	Wprowadzenie do sterowania rozmytego	WNT, Warszawa.	1996
4	Rutkowska D., Piliński M., Rutkowski L.	Sieci neuronowe, algorytmy genetyczne i systemy rozmyte	PWN, Warszawa.	1997
5	Rutkowski L.	Metody i techniki sztucznej inteligencji	PWN, Warszawa.	2005
6	Tadeusiewicz R.	Sieci neuronowe	Akademicka Oficyna Wydawnicza RM, Warszawa.	1993
7	Cichosz P.	Systemy uczące się	WNT, Warszawa.	2000
8	Russell S., Norvig P.,	Artificial Intelligence: A Modern Approach	Prentice Hall, wydanie II.	2003

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Mathworks Inc.

Matlab Online Documentation

http://www.mathworks.com.

2012

Literatura do samodzielnego studiowania

1

Sutton, R.S., Barto, A.G.

Reinforcement learning: An Introduction

MIT Press, Cambridge.

1998

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Rejestracja na piąty semestr

Wymagania wstępne w kategorii Wiedzy: Student powinien mieć podstawową wiedzę w zakresie matematyki deskretnej, algorytmów i struktur danych, metod numerycznych oraz podstaw programowania.

Wymagania wstępne w kategorii Umiejętności:

Wymagania wstępne w kategorii Kompetencji społecznych: Student powinien umieć pracować indywidualnie oraz w grupie.

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	Zna i potrafi zastosować podstawowe algorytmy sieci neuronowych	wykład, laboratorium, projekt indywidualny	egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu	K_W04+++	P6S_WG
02	Student zna i potrafi zastosować podstawowe systemy wnioskowania rozmytego	wykład, laboratorium, projekt indywidualny	egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu	K_U08+ K_K04+	P6S_KO P6S_KR P6S_UO P6S_UW
03	Student zna i potrafi zastosować proste algorytmy gradientowe uczenia sieci neuronowych	wykład, laboratorium	egzamin cz. pisemna, obserwacja wykonawstwa	K_W04+++	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
5	TK01	Podstawowe zagadnienia sztucznej inteligencji. Reprezentacja wiedzy i wnioskowanie.	W01,W02, P01
5	TK02	Sieci neuronowe	W06-W09, L04, L05, P04, P05	MEK01
5	TK03	Logika rozmyta	W03-W05, L01-L03	MEK02
5	TK04	Uczenie maszynowe	W10	MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)		Godziny kontaktowe: 20.00 godz./sem.
Laboratorium (sem. 5)		Godziny kontaktowe: 10.00 godz./sem.
Projekt/Seminarium (sem. 5)		Godziny kontaktowe: 10.00 godz./sem..
Konsultacje (sem. 5)
Egzamin (sem. 5)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Laboratorium
Projekt/Seminarium
Ocena końcowa	Średnia ważona ocen powyższych

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: tak

1	M. Kusy; R. Zajdel	A weighted wrapper approach to feature selection	2021
2	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
3	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020