Sylabus

Sylabus przedmiotu

Sztuczna inteligencja

kod: 22ECTS: 3semestr: 6język: polski

Wydział: Instytut Nauk Inżynieryjno-Technicznych
Kierunek: Automatyka i robotyka
Kod przedmiotu: 22
Rodzaj studiów: zawodowe z tyt. inżyniera
Semestr rozpoczęcia: Semestr zimowy 2023/2024
Semestr przedmiotu: 6
ECTS: 3
Język nauczania: polski

Forma zajęć Atrybuty formy Godziny w semestrze Godziny w tygodniu Zaliczenie Kompetencje Waga
stacjonarne niestacjonarne stacjonarne niestacjonarne
Wykład Forma mieszana, Kontakt bezpośredni: 100% 15 9 1 1 Zaliczenie na ocenę
(50%)1 przez 2
Laboratorium Kontakt bezpośredni: 100% 15 9 1 1 Zaliczenie na ocenę
(50%)1 przez 2

Forma aktywnościLiczba godzin - stac.Liczba godzin - niestac.
SUMA00

Cele przedmiotu: Zapoznanie studentów z architekturami sztucznych sieci neuronowych i algorytmami ich uczenia.Zapoznanie studentów z teorią zbiorów rozmytych oraz wnioskowaniem rozmytym.Zapoznanie studentów z różnymi strategiami przeszukiwania grafów.Ukształtowanie umiejętności z zakresu wykorzystania poznanych metod sztucznej inteligencji w rozwiązywaniu praktycznych problemów inżynierskich.

Wymagania wstępne: Analiza i modelowanie systemów, Podstawy programowania – algorytmy i struktury danych, Algebra liniowa

Zakres tematyczny

Rodzaj zajęć Opis Godz. stac. Godz. niestac.
Wykład Algorytmy przeszukiwanie wszerz i w głąb. Algorytm A*. Funkcje heurystyczne. Złożoność pamięciowa i czasowa strategii przeszukiwania. Algorytm minimax. Algorytm przycinania alfa-beta. Przeszukiwanie z ograniczeniami. 0 0
Wykład Sztuczne sieci neuronowe. Budowa neuronu biologicznego. Matematyczny model neuronu. Perceptron prosty. Reguła uczenie perceptronu. Ograniczenia perceptronu prostego. Modele neuronów i ich własności. Struktury Adaline i Madaline. Sieci wielowarstwowe. Uczenie sieci jednowarstwowej. Uczenie sieci wielowarstwowej. Algorytm wstecznej propagacji błędów. Modele neuronów dynamicznych. Dynamiczne sieci neuronowe. Przykłady zastosowań sztucznych sieci neuronowych. 0 0
Laboratorium Algorytmy przeszukiwanie wszerz i w głąb. Algorytm A*. Funkcje heurystyczne. Złożoność pamięciowa i czasowa strategii przeszukiwania. Algorytm minimax. Algorytm przycinania alfa-beta. Przeszukiwanie z ograniczeniami. 0 0
Laboratorium Sztuczne sieci neuronowe. Budowa neuronu biologicznego. Matematyczny model neuronu. Perceptron prosty. Reguła uczenie perceptronu. Ograniczenia perceptronu prostego. Modele neuronów i ich własności. Struktury Adaline i Madaline. Sieci wielowarstwowe. Uczenie sieci jednowarstwowej. Uczenie sieci wielowarstwowej. Algorytm wstecznej propagacji błędów. Modele neuronów dynamicznych. Dynamiczne sieci neuronowe. Przykłady zastosowań sztucznych sieci neuronowych. 0 0
Laboratorium Systemy rozmyte i neuro-rozmyte. Zbiory rozmyte i logika rozmyta. Operacje na zbiorach rozmytych. Wnioskowanie rozmyte. Reguły rozmyte. Przykłady systemów rozmytych. Struktury neuro-rozmyte i algorytmy ich ucznia. 0 0

Metody dydaktyczne

Opis
Brak pozycji w metodach dydaktycznych.

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: Osowski, S. Sieci neuronowe do przetwarzania informacji, Warszawa 2006 Krawiec, K. Uczenie maszynowe i sieci neuronowe, Poznań 2004

Literatura uzupełniająca: Patan, K. Artificial neural networks for the modelling and fault diagnosis of technical system, Berlin 2008

SymboleOpis efektuMetoda weryfikacjiForma zajęć
Ma świadomość złożoności obliczeniowej poznanych metod sztucznej inteligencji.
  • kolokwium
  • Wykład
  • Laboratorium
Potrafi wymienić typy sztucznych neuronów i scharakteryzować ich właściwości.
  • kolokwium
  • Wykład
  • Laboratorium
Potrafi wymienić i scharakteryzować struktury systemów rozmytych i neuro-rozmytych.
  • kolokwium
  • Wykład
  • Laboratorium
Potrafi wymienić i zdefiniować proste i heurystyczne algorytmy przeszukiwania.
  • kolokwium
  • Wykład
  • Laboratorium
Potrafi implementować modele systemów rozmytych.
  • kolokwium
  • obserwacja studenta
  • Wykład
  • Laboratorium
Potrafi kreatywnie wykorzystać poznane metody sztucznej inteligencji do rozwiązywania nowych problemów.
  • aktywność na zajęciach
  • obserwacja studenta
  • praca semestralna
  • Wykład
  • Laboratorium
Potrafi zaprojektować i zaimplementować program do przeszukiwanie prostego i heurystycznego.
  • aktywność na zajęciach
  • Wykład
  • Laboratorium
Potrafi implementować modele sztucznych sieci neuronowych.
  • aktywność na zajęciach
  • Wykład
  • Laboratorium
potrafi stosować technikę sztucznej inteligencji do procesu wspomagania decyzji
potrafi czytelnie przedstawiać informacje związane z realizowanymi projektami tak aby były one czytelna dla odbiorcy
  • aktywność na zajęciach
  • praca semestralna
  • Wykład
  • Laboratorium
potrafi określać zadnia członków zespołu realizującego projekt w celu uzyskania terminowego i optymalnego rozwiązania postawionego celu
  • aktywność na zajęciach
  • praca semestralna
  • Wykład
  • Laboratorium

Osoba odpowiedzialna:
Zmodyfikowany przez: SYSTEM