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: 1806
Status zajęć: obowiązkowy dla programu AI - Sztuczna inteligencja
Układ zajęć w planie studiów: sem: 5 / W20 L10 P10 / 5 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Roman Zajdel
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
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/
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 |
1 | Mathworks Inc. | Matlab Online Documentation | http://www.mathworks.com. | 2012 |
1 | Sutton, R.S., Barto, A.G. | Reinforcement learning: An Introduction | MIT Press, Cambridge. | 1998 |
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.
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).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
5 | TK01 | W01,W02, P01 | ||
5 | TK02 | W06-W09, L04, L05, P04, P05 | MEK01 | |
5 | TK03 | W03-W05, L01-L03 | MEK02 | |
5 | TK04 | W10 | MEK03 |
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) |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | |
Laboratorium | |
Projekt/Seminarium | |
Ocena końcowa | Średnia ważona ocen powyższych |
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 | 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 |