Sylabus

Sylabus przedmiotu

Podstawy uczenia maszynowego i AI

kod: PUMIA-OcKECTS: 7semestr: 3język: polski

Wydział: Instytut Nauk Inżynieryjno-Technicznych
Kierunek: Inżynieria i logistyka produkcji
Kod przedmiotu: PUMIA-OcK
Rodzaj studiów: zawodowe z tyt. inżyniera
Semestr rozpoczęcia: semestr zimowy 2025/2026
Semestr przedmiotu: 3
ECTS: 7
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% 30 18 2 1 Zaliczenie na ocenę
0
Laboratorium Kontakt bezpośredni: 100% 30 18 2 1 Zaliczenie na ocenę
0
Projekt Kontakt bezpośredni: 100% 30 18 2 1 Zaliczenie na ocenę
0

Forma aktywnościLiczba godzin - stac.Liczba godzin - niestac.
Przygotowanie do zajęć1015
Analiza wskazanej literatury1525
Przygotowanie do egzaminu / zaliczenia2026
Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp.1015
Przygotowanie projektu3040
SUMA85121

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

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. 3 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. 3 2
Wykład Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, kategoryzacja metod uczenia maszynowego, uczenie nadzorowane - regresja i klasyfikacja. 3 2
Wykład Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. 3 2
Wykład Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) 3 2
Wykład Generatywne sieci przeciwstawne (GAN) 3 2
Wykład Modelowanie szeregów czasowych 3 1
Wykład Uczenie nienadzorowane: klasyfikacja i redukcja wymiarowości 3 2
Wykład Zastosowanie uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. 3 2
Laboratorium Wprowadzenie do bibliotek uczenia maszynowego środowiska Python 3 1
Laboratorium Niezbędnych elementów statystyki, optymalizacji i programowania dla potrzeb uczenia maszynowego. 3 2
Laboratorium Modele i kryteria ich wyboru: kryteria oceny błędów modelowania. 3 2
Laboratorium Metody i algorytmy uczenia maszynowego: zbiory danych i ich właściwości, uczenie nadzorowane - regresja i klasyfikacja. 3 2
Laboratorium Głębokie sztuczne sieci neuronowe, struktura neuronu, algorytmy uczenia. 3 2
Laboratorium Sieci neuronowe konwolucyjne (CNN) i rekurencyjne (RNN) 3 2
Laboratorium Generatywne sieci przeciwstawne (GAN) 3 2
Laboratorium Modelowanie szeregów czasowych 3 1
Laboratorium Uczenie nienadzorowane: klasyfikacja i redukcja wymiarowości 3 2
Laboratorium Wybrane zastosowania uczenia maszynowego: klasyfikacja obrazów, przetwarzanie sygnałów, ekstrakcja cech, wizja maszynowa w robotyce, śledzenie trajektorii przez robota. 3 2
Projekt Zdefiniowanie zadania projektowego z zastosowaniem uczenia maszynowego 2 2
Projekt Zbudowanie struktury aplikacji z zastosowaniem wybranych bibliotek uczenia maszynowego 4 2
Projekt Implementacja zaprojektowanego rozwiązania 16 10
Projekt Testy i poprawki oraz przygotowanie wersji finalnej projektu 4 2
Projekt Przygotowanie i dokumentacja wyników działania zadania projektowego 4 2

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, 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.
  • kolokwium pisemne pytania otwarte
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi scharakteryzować podstawowe techniki uczenia maszynowego wykorzystywane podczas analizy danych i przetwarzania sygnałów.
  • kolokwium pisemne pytania otwarte
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wykorzystać modele i algorytmy uczenia maszynowego w budowie systemów informatycznych i podczas tworzenia oprogramowania.
  • kolokwium pisemne pytania otwarte
  • 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
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt
Ma świadomość rozwoju metod sztucznej inteligencji i możliwości ich zastosowania w inżynierii i logistyce produkcji.
  • kolokwium pisemne pytania otwarte
  • sprawozdanie
  • Wykład
  • Laboratorium
  • Projekt

Osoba odpowiedzialna:
Zmodyfikowany przez: SYSTEM