Cel kształcenia i wykaz literatury

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

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 wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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

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	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
5	TK01	Sztuczna inteligencja. Podstawowe zagadnienia i elementy sztucznej inteligencji. Wykorzystanie sztucznej inteligencji w zarządzaniu.	W01	MEK01
5	TK02	Sieci neuronowe: budowa neuronu, sieci neuronowe jedno i wielowarstwowe jednokierunkowe. Sieci rekurencyjne. Algorytmy uczenia sieci. Systemy uczące się na sieciach neuronowych.	W02, W03, L01, L02	MEK02
5	TK03	Sieci neuronowe w diagnostyce i zarządzaniu. Wybrane narzędzia realizacji sieci neuronowych. Praktyczne możliwości zastosowania sieci neuronowych w systemach zarządzania.	W4, L03	MEK01 MEK02 MEK03
5	TK04	Systemy ekspertowe. Struktura i rodzaje systemów ekspertowych. Właściwości systemów ekspertowych.	W05, L04	MEK03
5	TK05	Budowa bazy wiedzy. Metody reprezentacji wiedzy, sposoby reprezentacji. Strategie przeszukiwań. Metody wnioskowania, wnioskowanie w przód, sterowanie wnioskowaniem, wnioskowanie wstecz, wnioskowanie mieszane, wnioskowanie rozmyte.	W06, W07, L04	MEK01 MEK02
5	TK06	Pozyskiwanie wiedzy, metody tworzenia baz wiedzy. Architektura systemów ekspertowych. Narzędzia do tworzenia systemów ekspertowych, systemy szkieletowe, systemy hybrydowe.	W08, W09, L05	MEK02 MEK03
5	TK07	Algorytmy genetyczne i ewolucyjne: model ewolucyjny dla problemu wyszukiwania optymalnego rozwiązania w wielowymiarowych przestrzeniach, podstawowe operatory, modele ewolucyjne wykorzystanie algorytmów genetycznych w optymalizacji i szukaniu wzorców.	W10, W11, L06	MEK01 MEK02 MEK03
5	TK08	Tendencje rozwojowe sztucznej inteligencji i systemów sztucznej inteligencji.	W12, W13	MEK01

Nakład pracy studenta

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.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

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	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