Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Automatyka i robotyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Automatyzacja systemów wytwarzania i intralogistyki, Komputerowe systemy sterowania
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 2489
Status zajęć: obowiązkowy dla specjalności Komputerowe systemy sterowania
Układ zajęć w planie studiów: sem: 5 / W30 C15 L15 / 4 ECTS / E
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Roman Zajdel
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 2: prof. dr hab. inż. Jacek Kluska
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
semestr 5: dr hab. inż. Krzysztof Wiktorowicz
Główny cel kształcenia: Celem kursu jest pokazanie w jaki sposób używać metod inteligencji obliczeniowej, takich jak logika rozmyta, sieci neuronowe czy algorytmy genetyczne do projektowania układów sterowania.
Ogólne informacje o zajęciach: Kurs pokazuje nowoczesne metody projektowania układów sterowania oraz demonstruje narzędzia informatyczne typu open-source i komercyjne, które można wykorzystać do projektowania inteligentnych układów sterowania.
Materiały dydaktyczne: Co roku przekazywane są pliki 'pdf' zawierające wykłady.
1 | Bishop, C.M. | Pattern Recognition and Machine Learning | Springer. | 2006 |
2 | Ferreira C. | Gene expression programming | Springer-Verlag. | 2006 |
3 | Kluska J. | Analytical methods in fuzzy modeling and control | Springer-Verlag, Berlin Heidelberg. | 2009 |
1 | Mathworks Inc. | Matlab Online Documentation | http://www.mathworks.com. | 2018 |
2 | Bishop, C.M. | Pattern Recognition and Machine Learning | Springer-Verlag. | 2006 |
3 | Sherrod P.H. | DTREG predictive modeling software | http:///www.dtreg.com. | 2011 |
1 | Koronacki J., Ćwik J. | Statystyczne systemy uczące się | EXIT, Warszawa. | 2008 |
2 | Rutkowska D., Piliński M., Rutkowski L. | Sieci neuronowe, algorytmy genetyczne i systemy rozmyte | PWN, Warszawa. | 1997 |
Wymagania formalne: rejestracja na semestr studiów, w którym realizowany jest przedmiot.
Wymagania wstępne w kategorii Wiedzy: podstawowa wiedza z zakresu teorii sterowania, matematyki, informatyki.
Wymagania wstępne w kategorii Umiejętności: umiejętność obsługi komputera i korzystania ze środowisk programistycznych.
Wymagania wstępne w kategorii Kompetencji społecznych: zdolność do współpracy w niewielkim zespole (laboratorium).
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 | może podać kilka przykładów zastosowań inteligencji obliczeniowej w sterowaniu. | wykład, laboratorium | egzamin cz. pisemna, prezentacja projektu |
K_W03+ K_W16+ |
P6S_WG |
02 | zna podstawy logik wielowartościowych i metodykę konstrukcji systemów regułowych. | wykład, laboratorium | egzamin cz. pisemna, prezentacja projektu |
K_W16+ K_U20+ K_U27+ |
P6S_UW P6S_WG |
03 | potrafi zaprojektować regulator rozmyty dla obiektu dynamicznego niskiego rzędu. | wykład, laboratorium | egzamin cz. pisemna, prezentacja projektu |
K_W12+ K_U20+ K_K04+ |
P6S_KR P6S_UW P6S_WG |
04 | potrafi sformułować problem uczenia regulatora neuronowo-rozmytego. | wykład, laboratorium | egzamin cz. pisemna, prezentacja projektu |
K_W12+ K_W16+ K_U20+ |
P6S_UW P6S_WG |
05 | potrafi formalnie opisać sterowanie złożonym procesem technologicznym, który składa się z kilku podprocesów współbieżnych. | wykład, laboratorium | egzamin cz. pisemna, prezentacja projektu |
K_W16+ K_U27+ |
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 |
---|---|---|---|---|
5 | TK01 | W04, U09, K04 | MEK01 | |
5 | TK02 | W04, U09, K04 | MEK02 | |
5 | TK03 | W04, U09, K04 | MEK01 MEK02 | |
5 | TK04 | W04, U09, K04 | MEK01 MEK04 | |
5 | TK05 | W04, U09, K04 | MEK03 MEK04 | |
5 | TK06 | W04, U09, K04 | MEK02 | |
5 | TK07 | W04, U09, K04 | MEK03 MEK04 | |
5 | TK08 | W04, U09, K04 | MEK01 MEK05 | |
5 | TK09 | W04, U09, K04 | MEK01 | |
5 | TK10 | W04, U09, K04 | MEK01 | |
5 | TK11 | W04, U09, K04 | MEK04 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 5) | Przygotowanie do kolokwium:
5.00 godz./sem. |
Godziny kontaktowe:
30.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
Ćwiczenia/Lektorat (sem. 5) | Godziny kontaktowe:
15.00 godz./sem. |
||
Laboratorium (sem. 5) | Przygotowanie do laboratorium:
5.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
5.00 godz./sem. |
Konsultacje (sem. 5) | Przygotowanie do konsultacji:
2.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
Egzamin (sem. 5) | Przygotowanie do egzaminu:
10.00 godz./sem. |
Egzamin pisemny:
2.00 godz./sem. Egzamin ustny: 1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Egzamin pisemny i ustny. |
Ćwiczenia/Lektorat | |
Laboratorium | Zaliczenie pisemne. |
Ocena końcowa | Ocena końcowa = średnia ze wszystkich uzyskanych ocen, o ile każda z tych ocen jest pozytywna |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | A. Czmil; S. Czmil; J. Kluska | An empirical study of a simple incremental classifier based on vector quantization and adaptive resonance theory | 2024 |
2 | A. Czmil; S. Czmil; J. Kluska | GPR: A Python implementation of an extremely simple classifier based on fuzzy logic and gene expression programming | 2023 |
3 | A. Czmil; S. Czmil; J. Kluska | CACP: Classification Algorithms Comparison Pipeline | 2022 |
4 | J. Kluska; M. Madera | Extremely simple classifier based on fuzzy logic and gene expression programming | 2021 |
5 | J. Kluska; T. Mączka; T. Żabiński | Applications of Computational Intelligence Methods for Control and Diagnostics | 2021 |
6 | L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński | FPGA-Embedded Anomaly Detection System for Milling Process | 2021 |
7 | M. Kusy; R. Zajdel | A weighted wrapper approach to feature selection | 2021 |
8 | J. Kluska | Adaptive fuzzy control of state-feedback time-delay systems with uncertain parameters | 2020 |
9 | J. Kluska | Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk | 2020 |
10 | J. Kluska | Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science | 2020 |
11 | J. Kluska | Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk | 2020 |
12 | 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 |
13 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis | 2020 |
14 | J. Kluska; T. Mączka; T. Żabiński | Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki | 2020 |
15 | J. Kluska; T. Żabiński | PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion | 2020 |
16 | J. Kluska | Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk | 2019 |
17 | J. Kluska | Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science | 2019 |
18 | J. Kluska | Przewodniczący Sekcji Systemów Inteligentnych w Komitecie Automatyki i Robotyki Polskiej Akademii Nauk | 2019 |
19 | J. Kluska | Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk | 2019 |
20 | J. Kluska; M. Kusy; B. Obrzut; M. Obrzut; A. Semczuk | Prediction of 10-year Overall Survival in Patients with Operable Cervical Cancer using a Probabilistic Neural Network | 2019 |
21 | 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 |