Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest uzyskanie wiedzy i umiejętności w zakresie projektowania i implementacji układów neuronowych i rozmytych w innowacyjnych rozwiązaniach mechatronicznych.

Ogólne informacje o zajęciach: Moduł kształcenia "Metody sztucznej inteligencji" obejmuje zagadnienia z zakresu projektowania i implementacji układów neuronowych i rozmytych.

Materiały dydaktyczne: Instrukcje do laboratorium dostępne on-line podczas zajęć.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1

Hendzel Z., Szuster M., Gierlak P.

Sieci neuronowe i systemy rozmyte

Oficyna Wydawnicza Politechniki Rzeszowskiej.

2010

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Hendzel Z., Szuster M., Gierlak P.

Sieci neuronowe i systemy rozmyte

Oficyna Wydawnicza Politechniki Rzeszowskiej.

2010

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zarejestrowany na semestr siódmy.

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z teorii sterowania, obliczeniowych systemów informatycznych, modelowania układów dynamicznych.

Wymagania wstępne w kategorii Umiejętności: Umiejętność modelowania układów dynamicznych, umiejętność stosowania obliczeniowych systemów informatycznych.

Wymagania wstępne w kategorii Kompetencji społecznych: Rozumienie potrzeby ciągłego dokształcania się.

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 OEK
01	posiada podstawową wiedzę z zakresu metod sztucznej inteligencji, w szczególności układów neuronowych i rozmytych.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_W01+	T1A_W03+ T1A_W04+ T1A_W07+
02	umie zastosować podstawowe metody sztucznej inteligencji w modelowaniu i sterowaniu układów dynamicznych.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_W06+	T1A_W03+ T1A_W04+ T1A_W07+
03	potrafi pozyskiwać informacje z literatury przedmiotu, posiada umiejętność samokształcenia się, rozumie potrzebę ciągłego i samodzielnego dokształcania się w zakresie tematyki przedmiotu.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_U01+ K_U04+ K_U05+ K_K01+	T1A_U01+ T1A_U05+ T1A_U08+ T1A_U09+ T1A_K01+

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
7	TK01	Wprowadzenie do metod sztucznej inteligencji. Sieci neuronowe. Podstawy biologiczne działania neuronu, zastosowanie sieci neuronowych przykłady, ograniczenia i wady sieci neuronowych.	W01,W02	MEK01 MEK02 MEK03
7	TK02	Modele neuronów. Modele neuronów, neurony liniowe, nieliniowe: sigmoidalne, radialne, struktury sieci, przykłady.	W03,W04	MEK01 MEK02
7	TK03	Algorytmy uczenia sieci, algorytm wstecznej propagacji błędów, Liniowe struktury sieci ze względu na wagi.	W05,W06	MEK01 MEK02
7	TK04	Wprowadzenie do układów z logiką rozmytą. Istota układów rozmytych. Techniczne aplikacje układów z logiką rozmytą.	W7,W8	MEK01 MEK02
7	TK05	Modele rozmyte, struktura, główne elementy i operacje w modelach rozmytych. Klasy modeli rozmytych Rozmyty model Larsena. Rozmyty model Mamdaniego. Rozmyty model Takagi-Sugeno. Podklasy modeli rozmytych.	W9,W10	MEK01 MEK02
7	TK06	Funkcje aktywacji neuronów, struktury sieci neuronowych, analiza sieci neuronowych, przykłady, Matlab.	L01,L02	MEK01 MEK02
7	TK07	Uczenie wielowarstwowych sieci neuronowych z zastosowaniem algorytmu wstecznej propagacji błędów.	L03,L04	MEK01 MEK02
7	TK08	Aproksymacja funkcji z zastosowaniem sieci neuronowych liniowych ze wzgledu na wagi.	L05-L06	MEK01 MEK02
7	TK09	Realizacja algorytmu modelowania rozmytego: podstawowe funkcje przynależności do zbiorów rozmytych, fuzyfikacja, wnioskowanie rozmyte, defuzyfikacja.	L07,L08	MEK01 MEK02
7	TK10	Fuzzy Logic Toolbox - Pakiet z interfejsem graficznym do budowy modeli rozmytych w Matlab’ie, przykład modelowania rozmytego.	L09,L10	MEK01 MEK02

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)		Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 20.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 30.00 godz./sem.
Konsultacje (sem. 7)	Przygotowanie do konsultacji: 15.00 godz./sem.	Udział w konsultacjach: 20.00 godz./sem.
Egzamin (sem. 7)	Przygotowanie do egzaminu: 20.00 godz./sem.	Egzamin pisemny: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Laboratorium	Podstawą zaliczenia przedmiotu jest obecność na wszystkich zajęciach laboratoryjnych i pozytywna ocena z zaliczenia laboratorium.
Ocena końcowa	Pozytywna ocena końcowa jest wystawiana na podstawie pozytywnej oceny z laboratorium oraz pozytywnej oceny z egzaminu.

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: nie