Cel kształcenia i wykaz literatury

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

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

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

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

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

Literatura do samodzielnego studiowania

1

J. Arabas

Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych

Wydawnictwa Naukowo-Techniczne, Warszawa.

2001

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

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.

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	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).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
7	TK01	Istota i charakterystyka sztucznej inteligencji jako dziedziny naukowej. Zakres badań nad sztuczną inteligencją. Pozyskiwanie wiedzy. Metody reprezentacji wiedzy. Logika zdań i logika predykatów. Reguły. Metody wnioskowania. Systemy ekspertowe: architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe. Doradcze systemy oparte o bazę wiedzy.	W01	MEK01 MEK06
7	TK02	Podstawy sztucznych sieci neuronowych. Biologiczne podstawy neurokomputingu, podstawowy model neuronu i sieci neuronowej. Podstawowe reguły uczenia sieci neuronowych (z nauczycielem – reguła delta i bez nauczyciela – reguła Hebba). Podstawowe algorytmy uczenia sieci neuronowej. Samoorganizujące się sieci neuronowe Kohonena: podstawowy algorytm Self Organizing Map. Sieci neuronowe ze sprzężeniem zwrotnym: sieci Hopfielda i Hamminga Praktyczne zastosowania sieci neuronowych do rozwiązywania zadań: klasyfikacji, klasteryzacji, prognozowania, przetwarzania i rozpoznawanie obrazów, w automatyce.	W02,W03	MEK02 MEK03
7	TK03	Reprezentacja niepewności: Teoria zbiorów rozmytych, Logika rozmyta, baza reguł rozmytych i rozmyte wnioskowanie. Przetwarzanie wiedzy niepewnej, rozmytej. Pojęcia zmiennej lingwistycznej. Budowa sterownika rozmytego. Budowa systemu wnioskowania rozmytego.	W04, W05	MEK02 MEK04
7	TK04	Podstawy algorytmów genetycznych: ogólny schemat i składniki; reprodukcja i selekcja; rekombinacja – krzyżowanie (proste, arytmetyczne); mutacja (równomierna, brzegowa, nierównomierna – lokalne dostrajanie). Zagadnienia implementacyjne z zakresu zastosowań algorytmów genetycznych i ewolucyjnych (algorytm dla rozwiązywania zadania komiwojażera, zagadnienia plecakowe, w szeregowaniu zadań).	W06, W07	MEK02 MEK05
7	TK05	Tworzenie systemów ekspertowych w środowisku zintegrowanego pakietu sztucznej inteligencji AITECH SPHINX. Opracowanie bazy wiedzy za pomocą szkieletowego systemu PC Shell 4.5.	L01, L02	MEK01 MEK06
7	TK06	Przygotowanie zbiorów danych uczących dla modelowania i symulacji sztucznych sieci neuronowych w środowisku oprogramowania Statistica Neural Networks. Rozwiązywanie zadań klasyfikacji, prognozowania i grupowania za pomocą sieci neuronowych, w tym wielowarstwowy perceptron, RBF oraz Kohonena.	L03,L04	MEK02 MEK03
7	TK07	Tworzenie systemu rozmytego wnioskowania. za pomocą pakietu programowego Fuzzy Logic Toolbox for MATLAB. Opracowanie systemów doradczych opartych na logice rozmytej.	L05, L06	MEK04
7	TK08	Tworzenie hybrydowych systemów ekspertowych z wykorzystaniem modułu Neuronix w celu pozyskiwania wiedzy w wyniku nauczania sieci neuronowej. Kolokwium zaliczeniowe.	LO7, LO8

Nakład pracy studenta

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.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

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.

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	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