Cykl kształcenia: 2019/2020
Nazwa jednostki prowadzącej studia: Wydział Budowy Maszyn i Lotnictwa
Nazwa kierunku studiów: Zarządzanie i inżynieria produkcji
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: niestacjonarne
Specjalności na kierunku: Informatyka w zarządzaniu przedsiębiorstwem, Logistyka produkcji, Systemy zapewnienia jakości produkcji
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Zakład Informatyki
Kod zajęć: 4416
Status zajęć: obowiązkowy dla specjalności Informatyka w zarządzaniu przedsiębiorstwem, Logistyka produkcji, Systemy zapewnienia jakości produkcji
Układ zajęć w planie studiów: sem: 7 / W15 L15 / 4 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora: dr hab. inż. prof. PRz Galina Setlak
Terminy konsultacji koordynatora: środa 11.00 - 12.30, Na studiach niestac. w dni zjazdów w soboty od. g. 11 -12.00, gsetlak.v.prz.edu.pl
semestr 7: dr inż. Łukasz Paśko , termin konsultacji https://lukaszpasko.v.prz.edu.pl/konsultacje
Główny cel kształcenia: Głównym celem kształcenia jest zapoznanie studentów z podstawowymi metodami i narzędziami sztucznej inteligencji oraz możliwościami ich zastosowania w zarządzaniu i inżynierii produkcji do rozwiązywania złożonych problemów i zadań.
Ogólne informacje o zajęciach: Moduł jest obowiązkowym w ramach programu kształcenia na kierunku studiów zarządzanie i inżynieria produkcji. W ramach przedmiotu studenci poznają takie metody sztucznej inteligencji, jak: sztuczne sieci neuronowe, logikę rozmytą i algorytmy genetyczne. Poza tym nabędą umiejętności obsługi oprogramowania, pozwalające na tworzenie systemów ekspertowych oraz tworzenie baz wiedzy.
Materiały dydaktyczne: Udostępniane są na stronach WWW prowdzących zajęcia
1 | L. Rutkowski | Metody i techniki sztucznej inteligencji | Wydawnictwo Naukowe PWN, Warszawa. | 2009 |
2 | Osowski S., | Sieci neuronowe do przetwarzania informacji | Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa. | 2013 |
3 | Mulawka J. | Systemy ekspertowe | WNT, Warszawa. | 1996 |
1 | Rudra Pratap: | Matlab dla naukowców i inżynierów | Wydawnictwo Naukowe PWN, Warszawa. | 2015, |
2 | J. Cytowski | Algorytmy genetyczne. Podstawy i zastosowania | Akademicka Oficyna Wydawnicza PLJ, Warszawa. | 1996 |
3 | J. Arabas | Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych | Wydawnictwa Naukowo-Techniczne, Warszawa. | 2001 |
4 | A. Łachwa | Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji | Akademicka Oficyna Wydawnicza EXIT, Warszawa . | 2001 |
1 | J. Arabas | Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych | Wydawnictwa Naukowo-Techniczne, Warszawa. | 2001 |
Wymagania formalne: Student musi być zarejestrowany na 7 semestr.
Wymagania wstępne w kategorii Wiedzy: Posiadanie podstawowej wiedzy w zakresie Technologii informacyjnych, Informatyki i Baz danych
Wymagania wstępne w kategorii Umiejętności: Posiadanie umiejętności obsługi oprogramowania Matlab, MS EXCEL
Wymagania wstępne w kategorii Kompetencji społecznych: Rozumie potrzebę uczenia się przez całe życie; potrafi inspirować i organizować proces uczenia się innych osób.
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 | Zna podstawowe metody reprezentacji wiedzy i potrafi je wykorzystać w celu utworzenia bazy wiedzy dla systemu ekspertowego | wykład, laboratorium | zaliczenie cz. praktyczna, |
K_W04+ K_W16+ K_W17+++ K_U07+ K_K01+ |
P6S_UU P6S_UW P6S_WG |
02 | Zna współczesne narzędzia sztucznej inteligencji, m.in. sztuczne sieci neuronowe, algorytmy genetyczne i potrafi je wykorzystać do rozwiązania złożonych zadań i problemów występujących w zarządzaniu i inżynierii produkcji | wykład, laboratorium | zaliczenie cz. pisemna, zaliczenie cz. praktyczna, sprawozdanie z projektu |
K_W17+++ K_U01+ K_U05+ K_U07+ |
P6S_UW P6S_WG |
03 | Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix) | laboratorium | zaliczenie cz. praktyczna |
K_W04+ K_W17+++ K_U05+ |
P6S_UW P6S_WG |
04 | Potrafi opracować sterownik dowolnym urządzeniem technicznym oraz system wnioskowania rozmytego, opartych na logice rozmytej i teorii zbiorów rozmytych | wykład, laboratorium | zaliczenie cz. praktyczna, kolokwium, prezentacja projektu |
K_W04+ K_U05+ K_U07++ |
P6S_UW P6S_WG |
05 | Potrafi wykorzystać algorytmy genetyczne do rozwiązywania zadań optymalizacyjnych i odsługiwać w tym celu niezbędne oprogramowanie, m.in. Global Optimization Toolbox for Matlab | wykład, laboratorium | zaliczenie cz. praktyczna, kolokwium, prezentacja projektu, sprawozdanie z projektu |
K_W04+ K_W17+++ K_U07+ K_K01+ |
P6S_UU P6S_UW P6S_WG |
06 | Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystanie szkieletowego systemu ekspertowego | wykład, laboratorium | kolokwium, zaliczenie cz. praktyczna, prezentacja dokonań (portfolio) |
K_W04+ K_W16++ K_W17+++ |
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 |
---|---|---|---|---|
7 | TK01 | W01 | MEK01 MEK06 | |
7 | TK02 | W02,W03 | MEK02 MEK03 | |
7 | TK03 | W04, W05 | MEK02 MEK04 | |
7 | TK04 | W06, W07 | MEK02 MEK05 | |
7 | TK05 | L01, L02 | MEK01 MEK06 | |
7 | TK06 | L03,L04 | MEK02 MEK03 | |
7 | TK07 | L05, L06 | MEK04 | |
7 | TK08 | LO7, LO8 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 7) | Przygotowanie do kolokwium:
10.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
5.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem. |
Laboratorium (sem. 7) | Przygotowanie do laboratorium:
15.00 godz./sem. Przygotowanie do kolokwium: 5.00 godz./sem. |
Godziny kontaktowe:
15.00 godz./sem. |
Dokończenia/wykonanie sprawozdania:
15.00 godz./sem. Inne: 10.00 godz./sem. |
Konsultacje (sem. 7) | |||
Zaliczenie (sem. 7) | Przygotowanie do zaliczenia:
10.00 godz./sem. |
Zaliczenie pisemne:
2.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Na kolokwium pisemnym wykładu sprawdzana jest realizacja pierwszego, drugiego, czwartego i szóstego efektu modułowego (MEK01,MEK02,MEK04, MEK06). Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 90% -100% punktów - 5,0. |
Laboratorium | Na zaliczeniu praktycznym laboratorium sprawdzana jest realizacja wszystkich efektów modułowych kształcenia. Aby uzyskać ocenę dostateczną student musi uzyskać 60% punktów. Wyższą ocenę można uzyskać przy następujących progach punktowych: od 65% punktów - 3,5; od 75% punktów - 4,0; od 85% punktów - 4,5; od 90% -100% punktów - 5,0. |
Ocena końcowa | Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest jako średnia ważona oceny z wykładu z wagą 0,4 i laboratorium z wagą 0,6. |
Wymagane podczas egzaminu/zaliczenia
(-)
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | Ł. Paśko; G. Setlak | Random Forests in a Glassworks: Knowledge Discovery from Industrial Data | 2020 |
2 | Ł. Paśko; M. Piróg; G. Setlak | Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym | 2019 |