Kierunek: Zarządzanie i Inżynieria Produkcji | Tryb: Stacjonarne |
Nazwa modulu: Metody sztucznej inteligencji |
Warunki wstępne:Wiedza umiejętności i kompetencje zgodne ze zrealizowanym programem studiów |
Cele kształcenia:Poznanie wybranych metod sztucznej inteligencji i jej znaczenia w praktycznych zastosowaniach współczesnej informatyki; Nabycie umiejętności rozwiązywania praktycznych problemów automatycznego podejmowania decyzji poprzez wybór odpowiedniej metody sztucznej inteligencji i jej komputerową implementację; Nabycie umiejętności pozyskiwania informacji z literatury i innych źródeł oraz przygotowania prezentacji na temat wybranych problemów sztucznej inteligencji; |
Efekty ksztalcenia: | Kod efektu kierunkowego: K1ZIP_U10;K1ZIP_W10; |
EK1: Zna podstawowe zagadnienia sztucznej inteligencji w systemach podejmowania decyzji, w tym metody reprezentacji wiedzy i uczenia maszynowego, algorytmy podejmowania decyzji w warunkach niepewności, metody wnioskowania rozmytego oraz zasady działania i procedury uczenia sztucznych sieci neuronowych |
EK2: Potrafi rozwiązać praktyczny problem automatycznego podejmowania decyzji poprzez wybór odpowiedniej metody sztucznej inteligencji i jej komputerową implementację oraz umie ocenić, jakość otrzymanego rozwiązania |
EK3: Umie pozyskiwać informacje z literatury, baz danych i innych źródeł; potrafi integrować uzyskane informacje, dokonywać ich interpretacji oraz potrafi przedstawić prezentację na temat wybranych problemów sztucznej inteligencji |
Forma i tresci ksztalcenia |
Wykład - Sztuczna inteligencja jako dział informatyki dostarczający metod wspomagających rozwiazywanie trudnych problemów podejmowania decyzji;Paradygmaty uczenia maszynowego i podstaw budowy algorytmów podejmowania decyzji;Podejmowanie decyzji w warunkach niepewności probabilistycznej –modele bayesowskie dla zadania rozpoznawania;Empiryczne bayesowskie algorytmy rozpoznawania ;Podejmowanie decyzji w warunkach niepewności lingwistycznej - podstawy teorii zbiorów rozmytych ;System wnioskowania Mamdaniego;System wnioskowania TSK;Generowanie reguł rozmytych z danych uczących;Wprowadzenie do sztucznych sieci neuronowych;Modele neuronu ;Sztuczne sieci neuronowe jako struktury obliczeniowe uczące się podejmowania decyzji;Rekurencyjne sieci neuronowe;Test; |
Seminarium - Zajęcia organizacyjne, rozdanie i omówienie tematów seminaryjnych, ustalenie harmonogramu prezentacji;Prezentacje seminaryjne (przykładowe tematy: Drzewa decyzyjne, Metody uczenia nienadzorowanego, Przykłady zastosowań sztucznych sieci neuronowych, Przykłady zastosowań systemów wnioskowania rozmytego, Sterowniki rozmyte, Sieci bayesowskie ; |
Metody ksztalcenia: Wykład tradycyjny z wykorzystaniem slajdów; Zajęcia seminaryjne –grupowa (dwuosobowa) prezentacja zadanych tematów seminaryjnych z wykorzystaniem slajdów; Zajęcia seminaryjne – dyskusja nad przedstawioną prezentacją; Konsultacje; Praca własna – przygotowanie prezentacji seminaryjnej; Praca własna – przygotowanie do testu; |
Metody sprawdzania osiągnięcia efektów kształcenia
- ocena podsumowująca: Średnia ważona OF1 i OF2; OF1; |
Liczba punktow ECTS: 4 |
Nakład pracy studenta (godz.) : 100 |
Forma zajęc | Liczba godzin według planu studiów |
Wykład | 30 |
Seminarium | 30 |
Autor programu dla modułu kształcenia: prof. dr hab. inż. Marek Kurzyński |
Język modulu: polski |