Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest zapoznanie studentów z podstawowymi metodami i narzędziami sztucznej inteligencji oraz możliwościami ich zastosowań praktycznych w zarządzaniu i inżynierii produkcji.

Ogólne informacje o zajęciach: W ramach przedmiotu będą prezentowane narzędzia do tworzenia systemów ekspertowych i metody reprezentacji wiedzy oraz nowoczesne technologie i metody sztucznej inteligencji takie, jak: sztuczne sieci neuronowe, logika rozmyta i algorytmy genetyczne.

Materiały dydaktyczne: umieszczane są na stronach WWW prowadzących zajęcia

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Osowski S.	Sieci neuronowe do przetwarzania informacji	Oficyna wydawnicz Politechniki Warszawskiej, Warszawa.	2013
2	L. Rutkowski	Metody i techniki sztucznej inteligencji	Wydawnictwo naukowe PWN, Warszawa.	2009
3	Mulawka J.	Systemy ekspertowe	WNT, Warszawa.	1996

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	J. Arabas	Wykłady z algorytmów ewolucyjnych	Wydawnictwa Naukowo-Techniczne, Warszawa.	2001
2	Rutkowska D., Piliński M., Rutkowski L.	Sieci neuronowe, algorytmy genetyczne i systemy rozmyte	PWN, Warszawa.	1997

Literatura do samodzielnego studiowania

1	Cichosz P.	Systemy uczące się	WNT, Warszawa.	2009
2	Goldberg D.	Algorytmy genetyczne i ich zastosowania	WNT, Warszawa.	1997
3	M. Flasiński	Wstęp do sztucznej inteligencji	Wydawnictwo naukowe PWN, Warszawa.	2011

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student/Studentka musi być zarejestrowany na liście osób uprawnionych do zaliczenia przedmiotu

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	kolokwium	K_W04+ K_W16++ K_W17+++	P6S_WG
02	Zna współczesne narzędzia sztucznej inteligencji, m.in. sztuczne sieci neuronowe, teorie zbiorów rozmytych i logiki rozmytej, algorytmy genetyczne i potrafi je wykorzystać do rozwiązania złożonych zadań i problemów występujących w zarządzaniu i inżynierii produkcji	wykład	kolokwium	K_W04+ K_W16+	P6S_WG
03	Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix)	laboratorium	zaliczenie cz. praktyczna	K_U01++ 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+	P6S_UW
05	Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystaniem szkieletowego systemu ekspertowego	laboratorium	sprawozdanie z projektu, zaliczenie cz. praktyczna	K_U04++ K_U07++	P6S_UU 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
5	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. Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki, budowa systemu automatycznego wnioskowania. Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz.	W01	MEK01
5	TK02	Systemy ekspertowe: architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe. Doradcze systemy oparte o bazę wiedzy.	W02	MEK01
5	TK03	Podstawy 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), pojęcie funkcji błędu, problem generalizacji, rola zbioru trenującego i testowego. Podstawowy algorytm uczenia sieci neuronowej – metoda wstecznej propagacji błędów: budowa i działanie jednokierunkowych sieci neuronowych, algorytm propagacji wstecznej.	W03	MEK02
5	TK04	Samoorganizujące się sieci neuronowe: podstawowy algorytm Self Organizing Map, funkcja sąsiedztwa, praktyczne aspekty obliczeń przy pomocy SOM. Sieci neuronowe ze sprzężeniem zwrotnym: sieci Hopfielda i Hamminga Praktyczne zastosowania sieci neuronowych do rozwiązywania zadań: klasyfikacji, klasteryzacji, prognozowania, przetwarzania i rozpoznawanie obrazów, w zarządzaniu i sterowaniu procesami produkcyjnymi.	W04	MEK02
5	TK05	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.	W05	MEK02
5	TK06	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	MEK02
5	TK07	Hybrydowe systemy inteligentne - połączenie systemów ekspertowych z logiką rozmytą i algorytmami genetycznymi. Computational Intelligence.	W07	MEK02
5	TK08	Baza wiedzy dla systemu ekspertowego - część 1.	L01	MEK01 MEK05
5	TK09	Baza wiedzy dla systemu ekspertowego - część 2.	L02	MEK01 MEK05
5	TK10	Sieci neuronowe w zadaniu klasyfikacji.	L03	MEK02
5	TK11	Sieci neuronowe w zadaniu regresji.	L04	MEK02
5	TK12	Sieci neuronowe w zadaniu prognozowania.	L05	MEK02 MEK03
5	TK13	Sieci neuronowe w zadaniu klasteryzacji.	L06	MEK02 MEK03
5	TK14	Systemy rozmytego wnioskowania.	L07	MEK02 MEK04
5	TK15	Sprawdzian zaliczeniowy, część praktyczna.	L08	MEK03 MEK04 MEK05

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 5)	Przygotowanie do kolokwium: 3.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Studiowanie zalecanej literatury: 5.00 godz./sem.
Laboratorium (sem. 5)	Przygotowanie do laboratorium: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 3.00 godz./sem. Inne: 5.00 godz./sem.
Konsultacje (sem. 5)		Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 5)	Przygotowanie do zaliczenia: 2.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem. Zaliczenie ustne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Kolokwium pisemny weryfikuje osiągnięcie modułowych efektów kształcenia MEK01,MEK02. Student/Studentka musi poprawnie odpowiedzieć na wszystkie pytania obowiązkowe, aby uzyskać ocenę dostateczną, czyli jeżeli uzyska 50-70% punktów, ocenę dobry, jeżeli uzyska co najmniej 71- 80% punktów, ponad dobry (4,5) 81-90% punktów; ocenę bardzo dobry jeżeli uzyska powyżej 91% punktów.
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