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: 395
Status zajęć: wybierany dla specjalności TT - informatyka w przedsiębiorstwie
Układ zajęć w planie studiów: sem: 5 / W25 L15 / 3 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr inż. Grzegorz Drałus
Terminy konsultacji koordynatora: http://pei.prz.edu.pl/plan_zajec_semestr.php
Główny cel kształcenia: Głównym celem kształcenia jest podanie matematycznych i programistycznych podstaw tworzenia narzędzi informatycznych opartych na metodach sztucznej inteligencji, prezentacja istniejącego oprogramowania i systemów sztucznej inteligencji oraz podanie przykładów zastosowań.
Ogólne informacje o zajęciach: Zasadniczym tematem modułu jest prezentacja wybranych metod sztucznej inteligencji obliczeniowej, w szczególności sztucznych sieci neuronowych, systemów ekspertowych, wybranych metod drążenia danych oraz wybranych narzędzi sztucznej inteligencji.
Materiały dydaktyczne: http://www.pei.prz.edu.pl/dydaktyka.html
1 | Russell S. J. and Norvig P. | Artificial Intelligence: A Modern Approach | Pearson. | 2021 |
2 | Osowski S. | Sieci neuronowe do przetwarzania informacji | Oficyna Wydawnicza Politechniki Warszawskiej. | 2013 |
3 | Grzech A. | Inżynieria wiedzy i systemy ekspertowe T.1,T.2 | Oficyna Wydawnicza Politechniki Wrocławskiej. | 2006 |
4 | Nowak-Brzezińska A., Wakulicz-Deja A., Przybyła-Kasperek M., Simiński R. | Systemy Ekspertowe | EXIT. | 2021 |
1 | Mathworks Inc. | Matlab Online Documentation | http://www.mathworks.com. | 2022 |
2 | Michalski K. | Demonstracyjne bazy wiedzy pakietu Sphinx. Kody źródłowe | Katowice. | 2014 |
3 | Rutkowski L. | Metody i techniki sztucznej inteligencji | PWN. | 2012 |
1 | Earley S., Davenport T. | The AI-Powered Enterprise | LifeTree. | 2020 |
2 | Rutkowski L. | Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa | PWN, Warszawa. | 2005 |
3 | Rashed Haq | Enterprise Artificial Intelligence Transformation | Wiley. | 2020 |
Wymagania formalne: Student powinien znać podstawowe zagadnienia z Analizy matematycznej, Algebry liniowej, Matematyki dyskretnej, Podstawy informatyki, Programowania, Algorytmów i struktur danych.
Wymagania wstępne w kategorii Wiedzy: Student ma podstawową wiedzę z zakresu Analizy matematycznej, Matematyki dyskretnej, Podstaw informatyki, Programowania, Algorytmów i struktur danych.
Wymagania wstępne w kategorii Umiejętności: Student powinien umieć użyć wiedzę matematyczną, programistyczną, wiedzę z zakresu algorytmów i struktur danych do używania i tworzenia narzędzi informatycznych opartych na metodach sztucznej intelige
Wymagania wstępne w kategorii Kompetencji społecznych: Ma świadomość odpowiedzialności za pracę własną
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 | Potrafi zanalizować zadanie inżynierskie wymagające stosowania metod sztucznej inteligencji | wykład, laboratorium | zaliczenie cz. pisemna |
K_W04+ K_K01+ K_K07+ |
P6S_KK P6S_KO P6S_UU P6S_WG |
02 | Tworzy narzędzia informatyczne oparte na metodach inteligencji obliczeniowej i sztucznej inteligencji | wykład, laboratorium | zaliczenie laboratorium cz. praktyczna, obserwacja wykonawstwa |
K_U20++ K_K07++ |
P6S_KO P6S_UW |
03 | Potrafi odpowiednio dobrać i użyć Systemy Sztucznej Inteligencji bazujących na sztucznych sieciach neuronowych lub systemach ekspertowych lub algorytmach genetycznych do rozwiązywania zadań inżynierskich | wykład, laboratorium | zaliczenie cz. pisemna, laboratorium, zaliczenie cz. praktyczna |
K_U20++ K_K01++ K_K07++ |
P6S_KK P6S_KO P6S_UU P6S_UW |
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 | MEK01 | |
5 | TK02 | W02, W03, L01, L02 | MEK02 | |
5 | TK03 | W4, L03 | MEK01 MEK02 MEK03 | |
5 | TK04 | W05, L04 | MEK03 | |
5 | TK05 | W06, W07, L04 | MEK01 MEK02 | |
5 | TK06 | W08, W09, L05 | MEK02 MEK03 | |
5 | TK07 | W10, W11, L06 | MEK01 MEK02 MEK03 | |
5 | TK08 | W12, W13 | MEK01 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 5) | Przygotowanie do kolokwium:
3.00 godz./sem. |
Godziny kontaktowe:
25.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
7.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
Laboratorium (sem. 5) | Przygotowanie do laboratorium:
5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
12.00 godz./sem. |
Konsultacje (sem. 5) | Przygotowanie do konsultacji:
1.00 godz./sem. |
Udział w konsultacjach:
1.00 godz./sem. |
|
Zaliczenie (sem. 5) | Przygotowanie do zaliczenia:
4.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Wykład kończy się pisemnym zaliczeniem. |
Laboratorium | Do zaliczenia przedmiotu należy wykonać wszystkie laboratoria. Dokumentacja wykonanych zadań na laboratorium jest w formie sprawozdania. Student uzyskuje ocenę każdego sprawozdania. Na zaliczenie student wykonuje projekt na ostatnim laboratorium. Oceną końcową będzie średnia z projektu i średniej ze sprawozdań. Gradacja ocen: 0-50% - 2.0, 51-60% - 3.0, 61-70% - 3.5, 71-80% - 4.0, 81-90% - 4.5, 91-100% - 5.0. |
Ocena końcowa | Ocena końcowa wystawiana jest jako średnia ważona 2/3 oceny z laboratorium i 1/3 oceny z wykładu. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | G. Drałus; G. Karnas; G. Masłowski | Identification of cloud-to-ground lightning and intra-cloud lightning based on their radiated electric field signatures using different types of neural networks and machine learning classifiers | 2024 |
2 | G. Drałus | Metody śledzenia punktu MPP modułu fotowoltaicznego | 2023 |
3 | 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 |
4 | A. Czmil; G. Drałus; D. Mazur | Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet | 2021 |
5 | G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur | Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic | 2021 |
6 | G. Drałus; T. Rak | Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny | 2020 |
7 | G. Drałus; T. Rak | Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów | 2020 |