Sylabus

Sylabus przedmiotu

Podstawy uczenia maszynowego i AI

kod: P6ECTS: 5semestr: 3język: polski

Wydział: Instytut Nauk Inżynieryjno-Technicznych
Kierunek: Automatyka i robotyka
Kod przedmiotu: P6
Rodzaj studiów: zawodowe z tyt. inżyniera
Semestr rozpoczęcia: semestr zimowy 2026/2027
Semestr przedmiotu: 3
ECTS: 5
Język nauczania: polski

Forma zajęć Atrybuty formy Godziny w semestrze Godziny w tygodniu Zaliczenie Kompetencje Waga
stacjonarne niestacjonarne stacjonarne niestacjonarne
Wykład zdalnie Forma mieszana, Kontakt bezpośredni: 100% 15 9 1 1 Egzamin
(33%)1 przez 3
Laboratorium Kontakt bezpośredni: 100% 30 18 2 1 Zaliczenie na ocenę
(33%)1 przez 3
Projekt Kontakt bezpośredni: 100% 15 9 1 1 Zaliczenie na ocenę
(33%)1 przez 3

Forma aktywnościLiczba godzin - stac.Liczba godzin - niestac.
Przygotowanie do zajęć1525
Analiza wskazanej literatury1524
Przygotowanie do egzaminu / zaliczenia1520
Przygotowanie projektu2020
SUMA6589

Cele przedmiotu: Celem przedmiotu jest przekazanie kluczowej wiedzy i ukształtowanie umiejętności odnośnie zastosowania technik uczenia maszynowego z zastosowaniem nowoczesnych modeli i algorytmów ich uczenia.

Wymagania wstępne:

brak

Zakres tematyczny

Rodzaj zajęć Opis Godz. stac. Godz. niestac.
Wykład Wprowadzenie do uczenia maszynowego: ogólny schemat uczenia maszynowego, historia uczenia maszynowego, zastosowania uczenia maszynowego. 2 1
Wykład Przedstawienie niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. 3 2
Wykład Modele i kryteria ich wyboru: kryteria oceny błędów modelowania, przeuczenie i niedouczenie modelu 2 1
Wykład Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, kategoryzacja metod uczenia maszynowego, uczenie nadzorowane - regresja i klasyfikacja 2 1
Wykład Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia 2 1
Wykład Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) 2 1
Wykład Zastosowanie uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. 2 2
Laboratorium Wprowadzenie do bibliotek uczenia maszynowego środowiska Python 4 2
Laboratorium Niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. 4 2
Laboratorium Modele i kryteria ich wyboru: kryteria oceny błędów modelowania. 4 2
Laboratorium Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, uczenie nadzorowane - regresja i klasyfikacja. 4 2
Laboratorium Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. 4 2
Laboratorium Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) 4 2
Laboratorium Wybrane zastosowania uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. 6 6
Projekt Zdefiniowanie zadania projektowego z zastosowaniem uczenia maszynowego 1 1
Projekt Zbudowanie struktury aplikacji z zastosowaniem wybranych bibliotek uczenia maszynowego 2 1
Projekt Implementacja zaprojektowanego rozwiązania 8 5
Projekt Testy i poprawki oraz przygotowanie wersji finalnej projektu 2 1
Projekt Przygotowanie i dokumentacja wyników działania zadania projektowego 2 1

Metody dydaktyczne

Opis
Wykład problemowy
Wykład konwencjonalny
Metoda przypadków
Dyskusja
Demonstracja
Ćwiczenia laboratoryjne
Zajęcia projektowe
Praca w środowisku wirtualnym

Warunki zaliczenia:

 

bardzo dobry5.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym
dobry plus4.5student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym
dobry4.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym
dostateczny plus3.5student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym
dostateczny3.0student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym
zaliczonezalstudent/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce
niezaliczonenzalstudent/ka nie zna, nie rozumie i nie wyjaśnia zakładanych efektów uczenia się i nie potrafi ich zastosować w praktyce

Literatura podstawowa: "Kyle Gallatin, Chris Albon",Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II,2024,978-83-289-0812-3,helion,,,book,Helion,,,,,,, Leszek Albrzykowski,Uczenie maszynowe. Elementy matematyki w analizie danych,2023,978-83-289-0079-0,helion,,,book,Helion,,,,,,, Gupta G.; Nagpal I.,Artificial Intelligence and Expert Systems. Techniques and Applications for Problem Solving,2024,,manual,,,book,,,,,,,, Szeliga M.,Praktyczne uczenie maszynowe,2020,,manual,,,book,PWN,,,,,,, Osowski S.l Szmurło R.,Matematyczne modele uczenia maszynowego w językach MATLAB i PYTHON,2024,,manual,,,book,Oficyna Wydawnicza Politechniki Warszawskiej,,,,,,,

Literatura uzupełniająca:

SymboleOpis efektuMetoda weryfikacjiForma zajęć
Potrafi opisać wybrane paradygmaty, metody i algorytmy uczenia maszynowego i sztucznej inteligencji
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi scharakteryzować podstawowe techniki uczenia maszynowego wykorzystywane podczas analizy danych i przetwarzania sygnałów.
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wykorzystać modele i algorytmy uczenia maszynowego w budowie systemów informatycznych i podczas tworzenia oprogramowania.
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi zastosować metody sztucznej inteligencji do wybranych zadań AiR
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi ocenić przydatność różnych paradygmatów, metod uczenia maszynowego oraz związanych z nimi środowisk programistycznych do rozwiązywania problemów praktycznych.
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Ma świadomość rozwoju metod sztucznej inteligencji
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt

Osoba odpowiedzialna: prof. dr. hab. inż. Marcin Witczak
Zmodyfikowany przez: SYSTEM