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: stacjonarne
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 Elektrotechniki i Podstaw Informatyki
Kod zajęć: 2847
Status zajęć: obowiązkowy dla specjalności TT - informatyka w przedsiębiorstwie
Układ zajęć w planie studiów: sem: 6 / W25 L15 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: dr hab. inż. prof. PRz Damian Mazur
Terminy konsultacji koordynatora: http://pei.prz.edu.pl/plan_zajec_semestr.php
Imię i nazwisko koordynatora 2: dr inż. Grzegorz Drałus
Terminy konsultacji koordynatora: http://pei.prz.edu.pl/plan_zajec_semestr.php
Główny cel kształcenia: Zadaniem przedmiotu jest zaznajomienie studentów z możliwościami zastosowań szeroko rozumianej informatyki w medycynie i naukach biomedycznych.
Ogólne informacje o zajęciach: Celami praktycznymi przedmiotu są : przekazanie podstawowych informacji o typach danych medycznych, sposobach ich pozyskiwania, kodowania i elektronicznego przechowywania; nabycie podstawowej wiedzy w zakresie przetwarzania i analizy danych medycznych zarówno metodami statystycznymi jak i pochodzącymi z dziedziny sztucznej inteligencji; pokazanie możliwości zastosowania technik wspomagania decyzji w systemach medycznych; demonstracja zastosowań technik multimedialnych i Internetu w naukach biomedycznych; przekazanie podstawowych informacji o organizacji jednostek opieki medycznej, przepływie informacji wewnątrz nich.
Materiały dydaktyczne: pei.prz.edu.pl/dydaktyka
1 | Lee Peter, Goldberg Carey, Isaac Kohane | Rewolucja sztucznej inteligencji w medycynie | Helion. | 2024 |
2 | Hadelin de Ponteves | Sztuczna inteligencja.. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem | Helion. | 2021 |
3 | Tadeusiewicz R., Wajs R. | Informatyka Medyczana | UMCS, Lublin. | 2011 |
1 | Fenner M. | Uczenie maszynowe w Pythonie dla każdego | Helion. | 2020 |
2 | Tadeusiewicz R. (red.) | Inżynieria biomedyczna | AGH Uczelniane Wydawnictwa Naukowo-Dydaktyczne. | 2008 |
3 | Cytowski J., Gielecki J., Gola A. | Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania | AOW Exit. | 2008 |
1 | Gobert LeeHiroshi Fujita | Deep Learning in Medical Image Analysis: Challenges and Applications | Springer. | 2020 |
2 | Sanjay Saxena, Sudip Paul | Deep Learning Applications in Medical Imaging | IGI Global. | 2020 |
Wymagania formalne: Programowanie obiektowe, sieci komputerowe – podstawy (znajomość budowy sieci komputerowych, protokołów sieciowych), bazy danych
Wymagania wstępne w kategorii Wiedzy: Wiedza dotycząca budowy systemów operacyjnych, rodzajów baz danych
Wymagania wstępne w kategorii Umiejętności: Umiejętność wykorzystywania dowolnego języka programowania, technologią sieci web, bazami danych, przetwarzaniem sygnałów i obrazów
Wymagania wstępne w kategorii Kompetencji społecznych: Student powinien umieć pracować indywidualnie jaki i 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 | umiejętność pozyskiwania informacji medycznych z baz danych i internetu | wykład, laboratorium | zaliczenie cz. ustna, prezentacja projektu |
K_W04++ K_U20+ |
P6S_UW P6S_WG |
02 | umiejętność przetwarzania danych statystycznych, obrazów i sygnałów | wykład | zaliczenie cz. praktyczna |
K_W04++ K_U04+ K_K01+ |
P6S_KK P6S_UK P6S_UU P6S_WG |
03 | umiejętność analizy i wnioskowania informacji z danych medycznych oraz urządzeń medycznych | wykład | zaliczenie cz. praktyczna |
K_W04++ K_U20++ K_K01+ |
P6S_KK P6S_UU 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 |
---|---|---|---|---|
6 | TK01 | W1 | MEK01 | |
6 | TK02 | W2, W3, L1 | MEK01 | |
6 | TK03 | W4, L2 | MEK01 MEK02 | |
6 | TK04 | W5, W6, L3 | MEK02 MEK03 | |
6 | TK05 | W7, W8, L4 | MEK02 MEK03 | |
6 | TK06 | W9, L5 | MEK02 | |
6 | TK07 | W10, W11, L6 | MEK01 MEK02 MEK03 | |
6 | TK08 | W12, W13, L7 | MEK03 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 6) | Godziny kontaktowe:
25.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
|
Laboratorium (sem. 6) | Przygotowanie do laboratorium:
7.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
10.00 godz./sem. Inne: 2.00 godz./sem. |
Konsultacje (sem. 6) | Przygotowanie do konsultacji:
2.00 godz./sem. |
Udział w konsultacjach:
2.00 godz./sem. |
|
Zaliczenie (sem. 6) | Przygotowanie do zaliczenia:
6.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Test pisemny, zalicza min 50% punktów |
Laboratorium | Oceny ze sprawozdań oraz samodzielnego zadania (projektu) |
Ocena końcowa | średnia ważona ocen z testu i laboratorium (35% test, 65% laboratorium) |
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. Kalandyk; B. Kwiatkowski; D. Mazur | CNC Machine Control Using Deep Reinforcement Learning | 2024 |
2 | J. Bartman; T. Kwater; B. Kwiatkowski; D. Mazur | An off-line application that determines the maximum accuracy of the realization of reference points from G-code for given parameters of CNC machine dynamics | 2024 |
3 | M. Kolcun; D. Martinko; D. Mazur; D. Medved | Planning of the Optimal Performance of Household Photovoltaics and Battery Storage within Consideration of Investment Return | 2024 |
4 | D. Kalandyk; B. Kwiatkowski; D. Mazur | Application of Mamdani Fuzzy Logic Inference System to Optimise CNC Machine Motion Dynamics | 2023 |
5 | G. Dec; D. Mazur; D. Rzońca | Urządzenie zabezpieczające powierzchnie płaskie, zwłaszcza powierzchnie paneli fotowoltaicznych | 2023 |
6 | G. Drałus | Metody śledzenia punktu MPP modułu fotowoltaicznego | 2023 |
7 | G. Drałus; J. Drałus; J. Kusznier; D. Mazur | Application of Artificial Intelligence Algorithms in Multilayer Perceptron and Elman Networks to Predict Photovoltaic Power Plant Generation | 2023 |
8 | L. Bena; J. Dzmura; D. Martinko; D. Mazur; D. Medved; M. Oliinyk | Assessing the Effects of Smart Parking Infrastructure on the Electrical Power System | 2023 |
9 | M. Hubacz; D. Mazur; B. Pawłowicz; M. Salach; M. Skoczylas; B. Trybus | Navigation and mapping of closed spaces with a mobile robot and RFID grid | 2023 |
10 | B. Kopchak; M. Koryl; T. Kwater; B. Kwiatkowski; Y. Marushchak; D. Mazur | Approximation of Fractional Order PIλDμ-Controller Transfer Function Using Chain Fractions | 2022 |
11 | I. Bilyakovskyy; D. Kalandyk; B. Kwiatkowski; O. Makarchuk; D. Mazur; I. Shchur; V. Turkovskyi | Improved Matlab/Simulink model of dual three-phase fractional slot and concentrated winding PM motor for EV applied brushless DC drive | 2022 |
12 | J. Bartman; T. Kwater; B. Kwiatkowski; D. Mazur | Analiza zborności parametrów odbiorników energii elektrycznej w kontekście bezinwazyjnej identyfikacji urządzeń | 2022 |
13 | K. Balawender; R. Brodowski; G. Budzik; J. Cebulski; D. Filip; K. Kroczek; B. Lewandowski; A. Mazur; D. Mazur; M. Oleksy; S. Orkisz; Ł. Przeszłowski; J. Szczygielski; P. Turek | Characterisation of Selected Materials in Medical Applications | 2022 |
14 | K. Bulanda; K. Czech; D. Krajewski; G. Masłowski; D. Mazur; M. Oleksy; R. Oliwa | Methods for Enhancing the Electrical Properties of Epoxy Matrix Composites | 2022 |
15 | A. Czmil; G. Drałus; D. Mazur | Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet | 2021 |
16 | D. Mazur; A. Rózowicz; S. Rózowicz; M. Włodarczyk; A. Zawadzki | Assessment of the Impact of Per Unit Parameters Errors on Wave and Output Parameters in a Transmission Line | 2021 |
17 | D. Mazur; A. Różowicz; S. Różowicz; M. Włodarczyk; A. Zawadzki | Modelling an induction coil with fractional-order magnetic coupling in an ignition system of internal combustion engines | 2021 |
18 | G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur | Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic | 2021 |
19 | J. Bartman; P. Hawro; T. Kwater; D. Mazur | The algorithm of adaptive determination of amplification of the PD filter estimating object state on the basis of signal measurable on-line | 2021 |
20 | P. Hawro; L. Kasha; B. Kopchak; B. Kwiatkowski; A. Lozynskyy; O. Lozynskyy; Y. Marushchak; D. Mazur; R. Pękala; B. Twaróg; R. Ziemba | Formation of Characteristic Polynomials on the Basis of Fractional Powers j of Dynamic Systems and Stability Problems of Such Systems | 2021 |
21 | D. Aebisher; D. Bartusik-Aebisher; A. Czmil; D. Mazur | Trastuzumab Efficacy Quantified by Fluorine-19 Magnetic Resonance Imaging | 2020 |
22 | D. Aebisher; D. Bartusik; A. Czmil; D. Mazur | Evaluation of mr relaxation times following trastuzumab treatment of breast cancer cells in a 3d bioreactor | 2020 |
23 | G. Drałus; T. Rak | Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny | 2020 |
24 | G. Drałus; T. Rak | Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów | 2020 |
25 | J. Bartman; B. Kwiatkowski; D. Mazur | The quality of data and the accuracy of energy generation forecast by artificial neural networks | 2020 |
26 | L. Gołębiowski; M. Gołębiowski; D. Mazur; A. Smoleń | Direct Consideration of Eddy Current Losses in Laminated Magnetic Cores in Finite Element Method (FEM) Calculations Using the Laplace Transform | 2020 |
27 | A. Czmil; S. Czmil; D. Mazur | A Method to Detect Type 1 Diabetes Based on Physical Activity Measurements Using a Mobile Device | 2019 |
28 | D. Mazur | Opracowanie na podstawie wyników prac B+R modułów wyposażonych w inteligentne metody przetwarzania danych oraz bezrdzeniowe czujniki prądu wykonane w technologii wielowarstwowych obwodów drukowanych na rzecz stworzenia kompleksowego narzędzia optymalizującego koszty i zużycie energii elektrycznej w zakładach przemysłowych współzasilanych z OZE | 2019 |
29 | G. Dec; D. Mazur; D. Rzońca | Urządzenie zabezpieczające powierzchnie płaskie, zwłaszcza powierzchnie paneli fotowoltaicznych | 2019 |
30 | K. Baran; D. Mazur; A. Różowicz; S. Różowicz; H. Wachta | Thermal Analysis of the Factors Influencing Junction Temperature of LED Panel Sources | 2019 |
31 | L. Gołębiowski; M. Gołębiowski; D. Mazur; A. Smoleń | Analysis of axial flux permanent magnet generator | 2019 |
32 | L. Gołębiowski; M. Gołębiowski; D. Mazur; A. Smoleń | Computationally Efficient Method of Co-Energy Calculation for Transverse Flux Machine Based on Poisson Equation in 2D | 2019 |
33 | L. Gołębiowski; M. Gołębiowski; D. Mazur; A. Smoleń; Z. Szczerba | Modeling and Analysis of the AFPM Generator in a Small Wind Farm System | 2019 |
34 | M. Bolanowski; G. Budzik; D. Mazur; M. Oleksy; A. Paszkiewicz | Analysis of possible SDN use in the rapid prototyping process as part of the Industry 4.0 | 2019 |
35 | M. Dorozhovets; Y. Marushchak; D. Mazur | Operational Estimating of Arcs Voltage of Arc Steel Furnace | 2019 |
36 | R. Hanus; C. Kreischer; D. Mazur | Methods and Techniques of Signal Processing in Physical Measurements | 2019 |