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 prowadzących 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	J. Cytowski	Algorytmy genetyczne. Podstawy i zastosowania	Akademicka Oficyna Wydawnicza PLJ, Warszawa.	1996
2	J. Arabas	Wykłady z algorytmów ewolucyjnych,Wykłady z algorytmów ewolucyjnych	Wydawnictwa Naukowo-Techniczne, Warszawa.	2001
3	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, Metod numerycznych 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,	kolokwium	K_W04+ K_W16+ K_W17+++	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,	kolokwium	K_W16++ K_W17+++	P6S_WG
03	Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix)	laboratorium	zaliczenie cz. praktyczna	K_U05+ K_U07+++	P6S_UW
04	Potrafi opracować sterownik dowolnym urządzeniem technicznym oraz system wnioskowania rozmytego, opartych na logice rozmytej i teorii zbiorów rozmytych	laboratorium	zaliczenie cz. praktyczna,	K_U05+ K_U07++	P6S_UW
05	Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystanie szkieletowego systemu ekspertowego	laboratorium	zaliczenie cz. praktyczna,	K_U01++ K_U05+++	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
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 MEK05
7	TK02	Podstawy sztucznych sieci neuronowych, model neuronu i sieci neuronowej. Podstawowe reguły i algorytmy uczenia sieci neuronowej. Rodzaje SN: MLP, Samoorganizujące się sieci neuronowe Kohonena, sieci neuronowe ze sprzężeniem zwrotnym: sieci Hopfielda i Hamminga. Praktyczne zastosowania sieci neuronowych.	W02	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.	W03	MEK02 MEK04
7	TK04	Podstawy algorytmów genetycznych. Podstawowe operatory genetyczne: krzyżowanie i mutacja. Metody selekcji osobników. Implementacja z zakresu zastosowań algorytmów genetycznych i ewolucyjnych.	W04	MEK02
7	TK05	Hybrydowe systemy inteligentne -połączenie sztucznych sieci neuronowych, logiki rozmytej i algorytmów genetycznych. Neuronowo-rozmyte systemy i ich zastosowania. Computational Intelligence.	W05	MEK02 MEK03 MEK04
7	TK06	Baza wiedzy dla systemu ekspertowego.	L01	MEK05
7	TK07	Systemy rozmytego wnioskowania.	L02	MEK04
7	TK08	Sieci neuronowe w zadaniu klasyfikacji i regresji.	L03	MEK03
7	TK09	Sieci neuronowe w zadaniu prognozowania i klasteryzacji.	L04	MEK03
7	TK10	Sprawdzian zaliczeniowy, część praktyczna.	L05	MEK03 MEK04 MEK05

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Uzupełnienie/studiowanie notatek: 5.00 godz./sem. Studiowanie zalecanej literatury: 2.00 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: 5.00 godz./sem.
Konsultacje (sem. 7)		Udział w konsultacjach: 2.00 godz./sem.
Zaliczenie (sem. 7)	Przygotowanie do zaliczenia: 5.00 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 efektu modułowego (MEK01,MEK02). Sprawdzian obejmuje pytania obowiązkowe oraz dodatkowe. Student musi odpowiedzieć poprawnie na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną. Odpowiedź na pytania dodatkowe pozwala uzyskać wyższą ocenę: 25% poprawnych odpowiedzi - 3,5; 40% poprawnych odpowiedzi - 4,0; 60% poprawnych odpowiedzi - 4,5; 80% poprawnych odpowiedzi - 5,0
Laboratorium	Sprawdzian praktyczny, odbywający się na laboratorium, weryfikuje modułowe efekty kształcenia MEK03, MEK04 i MEK05. Sposób oceniania MEK03: student rozwiązuje zadania dotyczące zastosowania sztucznych sieci neuronowych. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK03 są sumowane. Student uzyskuje ocenę z MEK03 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK04: student rozwiązuje zadania dotyczące tworzenia systemów rozmytego wnioskowania. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK04 są sumowane. Student uzyskuje ocenę z MEK04 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb). Sposób oceniania MEK05: student rozwiązuje zadania dotyczące tworzenia baz wiedzy. Maksymalna liczba punktów, jaką można zdobyć za dane zadanie zależy od poziomu trudności i czasochłonności zadania. Częściowe wykonanie zadania powoduje przyznanie liczby punktów proporcjonalnej do stopnia zrealizowania danego zadania. Zdobyte punkty za wszystkie zadania dotyczące MEK05 są sumowane. Student uzyskuje ocenę z MEK05 na podstawie następujących przedziałów procentowych, przy czym 100% to maksymalna możliwa do zdobycia sumaryczna liczba punktów: 0% - 49,99%: 2,0 (ndst); 50% - 59,99%: 3,0 (dst); 60% - 69,99%: 3,5 (+dst); 70% - 79,99%: 4,0 (db); 80% - 89,99%: 4,5 (+db); 90% - 100%: 5,0 (bdb).
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