Sylabus przedmiotu
Sztuczna inteligencja
| 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 |
|
0 |
| Laboratorium | Kontakt bezpośredni: 100% | 15 | 9 | 1 | 1 | Zaliczenie na ocenę |
|
0 |
| Forma aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| SUMA | 0 | 0 |
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 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: 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
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Ma świadomość złożoności obliczeniowej poznanych metod sztucznej inteligencji. |
|
|
|
| Potrafi wymienić typy sztucznych neuronów i scharakteryzować ich właściwości. |
|
|
|
| Potrafi wymienić i scharakteryzować struktury systemów rozmytych i neuro-rozmytych. |
|
|
|
| Potrafi wymienić i zdefiniować proste i heurystyczne algorytmy przeszukiwania. |
|
|
|
| Potrafi implementować modele systemów rozmytych. |
|
|
|
| Potrafi kreatywnie wykorzystać poznane metody sztucznej inteligencji do rozwiązywania nowych problemów. |
|
|
|
| Potrafi zaprojektować i zaimplementować program do przeszukiwanie prostego i heurystycznego. |
|
|
|
| Potrafi implementować modele sztucznych sieci neuronowych. |
|
|
|
| potrafi czytelnie przedstawiać informacje związane z realizowanymi projektami tak aby były one czytelna dla odbiorcy |
|
|
|
| potrafi określać zadnia członków zespołu realizującego projekt w celu uzyskania terminowego i optymalnego rozwiązania postawionego celu |
|
|