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 2025/2026
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:

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
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:

Wykład

Ocena końcowa z przedmiotu stanowi średnią arytmetyczną wszystkich form zajęć. Każda z form zajęć musi być oceniona pozytywnie. Szczegółowe informacje zostaną przekazane na pierwszych zajęciach podczas prezentacji sylabusa.

Laboratorium

Ocena końcowa z przedmiotu stanowi średnią arytmetyczną wszystkich form zajęć. Każda z form zajęć musi być oceniona pozytywnie. Szczegółowe informacje zostaną przekazane na pierwszych zajęciach podczas prezentacji sylabusa.

Projekt

Ocena końcowa z przedmiotu stanowi średnią arytmetyczną wszystkich form zajęć. Każda z form zajęć musi być oceniona pozytywnie. Szczegółowe informacje zostaną przekazane na pierwszych zajęciach podczas prezentacji sylabusa.

Literatura podstawowa: Kyle Gallatin, Chris Albon, Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu, Helion, 2024 Leszek Albrzykowski, Uczenie maszynowe. Elementy matematyki w analizie danych, Helion, 2023 I. Gupta, G. Nagpal, Artificial Intelligence and Expert Systems. Techniques and Applications for Problem Solving, Mercury Learning and Information, 2020 Marcin Szeliga, Praktyczne uczenie maszynowe, PWN, 2019 Stanisław Osowski, Robert Szmurło, Matematyczne modele uczenia maszynowego w językach MATLAB i PYTHON, Oficyna Wydawnicza Politechniki Warszawskiej, 2024.

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
Ma zaawansowaną wiedzę z matematyki stosowanej obejmującą modelowanie matematyczne, metody numeryczne oraz metody symulacji używane do rozwiązywania problemów i zadań inżynierskich. Ma podstawową wiedzę z zakresu wybranej specjalności i potrafi stosować ją w obszarze studiowanego kierunku studiów
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Posiada zaawansowaną wiedzę w zakresie wybranej specjalności
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wykorzystać wiedzę z zakresu techniki i zagadnień pozatechnicznych, ma umiejętność samokształcenia się, m.in. w celu podnoszenia kompetencji zawodowych
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wykorzystać i właściwie dobrać aplikacje do obliczeń inżynierskich, syntezy i analizy modeli systemów, zarówno cyfrowych jak i analogowych
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi określić problem decyzyjny oraz oszacować przydatność metod i technik sztucznej inteligencji do jego rozwiązania, oraz zaprojektować i zaimplementować prosty system wspomagania decyzji
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Ma świadomość potrzeby jasnego formułowania informacji związanych z osiągnięciami techniki dla wybranego kierunku studiów
  • kolokwium pisemne pytania otwarte
  • projekt
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt

Osoba odpowiedzialna:
Zmodyfikowany przez: SYSTEM