Sylabus przedmiotu
Zastosowania sztucznej inteligencji
| Forma zajęć | Atrybuty formy | Godziny w semestrze | Godziny w tygodniu | Zaliczenie | Kompetencje | Waga | ||
|---|---|---|---|---|---|---|---|---|
| stacjonarne | niestacjonarne | stacjonarne | niestacjonarne | |||||
| Laboratorium | Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
(50%)1 przez 2 |
| Projekt | Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
(50%)1 przez 2 |
| Forma aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| Przygotowanie do zajęć | 3 | 5 |
| Analiza wskazanej literatury | 2 | 3 |
| Przygotowywanie sprawozdań ze zrealizowanych zadań | 7 | 10 |
| Konsultacje z prowadzącym zajęcia | 1 | 4 |
| Przygotowanie projektu | 7 | 10 |
| SUMA | 20 | 32 |
Cele przedmiotu: Zapoznanie studentów z architekturami sztucznych sieci neuronowych i algorytmami ich uczenia. Zapoznanie studentów z teorią zbiorów rozmytych oraz wnioskowaniem rozmytym. Ukształtowanie umiejętności z zakresu wykorzystania poznanych metod sztucznej inteligencji w rozwiązywaniu praktycznych problemów inżynierskich.
Wymagania wstępne:
brak
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Laboratorium | Omówienie zasad funkcjonowania laboratorium i obowiązujących reguł bezpieczeństwa BHP. Przedstawienie programu ćwiczeń laboratoryjnych. Omówienie zasad zaliczenia przedmiotu. Zaznajomienie z oprogramowaniem dostępnym w laboratorium. Przedstawienie literatury. | 1 | 1 |
| Laboratorium | Implementacja, symulacja, trening i testowanie sztucznych sieci neuronowych. | 6 | 4 |
| Laboratorium | Implementacja i testowanie systemów wnioskowania rozmytego. | 6 | 3 |
| Laboratorium | Podsumowanie i zaliczenie laboratorium. | 2 | 1 |
| Projekt | Zastosowanie sztucznych sieci neuronowych do zadania kompresji obrazu RGB. | 15 | 9 |
Metody dydaktyczne
| Opis |
|---|
| Ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego |
Warunki zaliczenia:
bardzo dobry 5.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu bardzo dobrym dobry plus 4.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu ponad dobrym dobry 4.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dobrym dostateczny plus 3.5 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dość dobrym dostateczny 3.0 student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce w stopniu dostatecznym zaliczone zal student/ka zna, rozumie i wyjaśnia zakładane efekty uczenia się i potrafi je zastosować w praktyce niezaliczone nzal student/ka nie zna, nie rozumie i nie wyjaśnia zakładanych efektów uczenia się i nie potrafi ich zastosować w praktyce
Literatura podstawowa: Jakubiak M., Stacewicz P., Zaufanie do systemów sztucznej inteligencji, 2023. Król-Nowak A., Kotarba K., Podstawy uczenia maszynowego, 2022. Wołk K., Zabawa ze sztuczną inteligencją, 2018 Iljaszewicz P., Sztuczne sieci neuronowe ANN : sieci Kohonena, 2018.
Literatura uzupełniająca: Rutkowski L., Journal of Artificial Intelligence and Soft Computing Research, 2021.
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Ma pogłębioną wiedzę dotyczącą zastosowania AI w automatyce i robotyce. |
|
|
|
| Ma wiedzę dotyczącą najnowszych algorytmów uczenia sieci neuronowych. |
|
|
|
| Potrafi implementować sztuczne sieci neuronowe i stosować je w zadaniach inżynierskich. |
|
|
|
| Potrafi zaimplementować rozmyty system wnioskowania Mamdaniego. |
|
|
|
| Potrafi zastosować elementy sztucznej inteligencji dla zadania modelowania układów nieliniowych. |
|
|
|
| Ma świadomość nieustannego i dynamicznego rozwoju sztucznej inteligencji i narzędzi ją wykorzystujących |
|
|