Cel kształcenia i wykaz literatury

Główny cel kształcenia: Kurs zawiera przegląd teoretycznych i praktycznych aspektów projektowania inteligentnych systemów komputerowych.

Ogólne informacje o zajęciach: Przedmiot obejmuje wybrane algorytmy i narzędzia programistyczne z zakresu logiki rozmytej i systemów regułowych, sztucznych sieci neuronowych, algorytmów genetycznych oraz innych metod uczenia maszynowego.

Materiały dydaktyczne: Materiały z wykładów przekazane studentom w formie plików pdf.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Kluska J.	Analytical methods in fuzzy modeling and control	Springer-Verlag, Berlin Heidelberg.	2009
2	Kecman V.	Learning and Soft Computing. Support Vector Machines, Neural Networks and Fuzzy Logic Models	MIT Press, Cambridge, Massachusetts, London, England.	2001
3	Bishop C.M.	Pattern Recognition and Machine Learning	Springer.	2006
4	Ferreira C.	Gene expression programming	Springer-Verlag.	2006
5	Haykin S.	Neural Networks – a Comprehensive Foundation	Macmillan College Publishing Company, New York.	1994

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Mathworks Inc.	Matlab Online Documentation	http://www.mathworks.com.	2012
2	Gunn S.	Support Vector Machines for Classification and Regression	University of Southampton.	1998

Literatura do samodzielnego studiowania

1	Tadeusiewicz R.	Sieci neuronowe	Akademicka Oficyna Wydawnicza, Warszawa.	1993
2	Korbicz J., Obuchowicz A., Uciński D.	Sztuczne sieci neuronowe. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza.	1994
3	Żurada J., Barski M., Jędruch W.	Sztuczne sieci neuronowe	Wyd. Nauk. PWN.	1996

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: rejestracja na semestr studiów, w którym realizowany jest przedmiot.

Wymagania wstępne w kategorii Wiedzy: podstawowa wiedza z zakresu matematyki i 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).

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 podać przynajmniej trzy przemysłowe zastosowania metod sztucznej inteligencji	wykład, laboratorium, projekt indywidualny, projekt zespołowy	egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu
02	umie przeanalizować działanie prostego rozmytego systemu regułowego i wskazać jego zastosowanie	wykład, laboratorium, projekt indywidualny, projekt zespołowy	egzamin cz. pisemna, obserwacja wykonawstwa, prezentacja projektu	K_W04+++ K_U08+ K_K04+	P6S_KO P6S_KR P6S_UO P6S_UW P6S_WG
03	potrafi sformułować problem klasyfikacji i zaproponować metodę jego rozwiązania za pomocą sieci neuronowej lub innych algorytmów uczenia maszynowego	wykład, laboratorium, projekt indywidualny	egzamin cz. pisemna, obserwacja wykonawstwa, prezentacja projektu	K_W04+++ K_U08+	P6S_UW P6S_WG
04	potrafi sformułować problem uczenia i zaproponować przynajmniej dwa sposoby jego rozwiązania	wykład, laboratorium, projekt indywidualny	egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu	K_W04+++ K_U08+	P6S_UW P6S_WG
05	umie ocenić jakość działania klasyfikatorów	wykład, laboratorium, projekt indywidualny	egzamin cz. pisemna, obserwacja wykonawstwa, sprawozdanie z projektu	K_U08+	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
4	TK01	Informatyka inspirowana biologią. Zastosowania przemysłowe metod sztucznej inteligencji.	W04, U09, K04	MEK01
4	TK02	Budowa prostych rozmytych systemów regułowych.	W04, U09, K04	MEK02
4	TK03	Klasyfikacja i regresja. Sieć perceptronowa, problem zbieżności algorytmu uczenia.	W04, U09, K04	MEK03
4	TK04	Uczenie wielowarstwowych sieci neuronowych metodą "delta" wstecznej propagacji błędów. Adaptacyjna sieć liniowa. Równanie Wienera-Hopfa. Algorytm Newtona-Raphsona. Idealna metoda najszybszego spadku gradientu. Reguła delta. Rekurencyjna metoda najmniejszych kwadratów.	W04, U09, K04	MEK03 MEK04
4	TK05	Uczenie nienadzorowane. Sieci Hopfielda.	W04, U09, K04	MEK04
4	TK06	Metoda k-NN. Metoda k-średnich. Drzewa klasyfikacyjne. Rodziny klasyfikatorów.	W04, U09, K04	MEK04
4	TK07	Metoda wektorów wspierających i algorytm sekwencyjnej optymalizacji minimalnej.	W04, U09, K04	MEK03 MEK04
4	TK08	Uczenie, testowanie i ocena jakości działania klasyfikatorów.	W04, U09, K04	MEK01 MEK05
4	TK09	Odkrywanie wiedzy na podstawie danych za pomocą logiki rozmytej i programowania ekspresji genów.	W04, U09, K04	MEK02 MEK03 MEK04 MEK05
4	TK10	Sieci Bayesa.	W04, U09, K04	MEK01 MEK03 MEK05

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 4)	Przygotowanie do kolokwium: 10.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 4)	Przygotowanie do laboratorium: 4.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 15.00 godz./sem.
Projekt/Seminarium (sem. 4)	Przygotowanie do zajęć projektowych/seminaryjnych: 8.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 15.00 godz./sem.
Konsultacje (sem. 4)	Przygotowanie do konsultacji: 1.00 godz./sem.	Udział w konsultacjach: 1.00 godz./sem.
Egzamin (sem. 4)	Przygotowanie do egzaminu: 10.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem. Egzamin ustny: 1.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Egzamin pisemny i ustny.
Laboratorium	Zaliczenie pisemne.
Projekt/Seminarium	Ocena projektu.
Ocena końcowa	Ocena końcowa = 0.4 oceny z egzaminu + 0.3 oceny z laboratorium + 0.3 oceny z projektu.

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	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	J. Kluska	Adaptive fuzzy control of state-feedback time-delay systems with uncertain parameters	2020
8	J. Kluska	Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk	2020
9	J. Kluska	Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science	2020
10	J. Kluska	Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk	2020
11	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
12	J. Kluska; M. Kusy; R. Zajdel; T. Żabiński	Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis	2020
13	J. Kluska; T. Mączka; T. Żabiński	Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki	2020
14	J. Kluska; T. Żabiński	PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion	2020
15	J. Kluska	Członek Komitetu Automatyki i Robotyki Polskiej Akademii Nauk	2019
16	J. Kluska	Członkostwo w komitecie redakcyjnym czasopisma International Journal of Applied Mathematics and Computer Science	2019
17	J. Kluska	Przewodniczący Sekcji Systemów Inteligentnych w Komitecie Automatyki i Robotyki Polskiej Akademii Nauk	2019
18	J. Kluska	Wiceprzewodniczący Rady Naukowej Instytutu Badań Systemowych Polskiej Akademii Nauk	2019
19	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
20	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