Sylabus przedmiotu
AI i zaawansowane uczenie maszynowe
| 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 |
|
(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 aktywności | Liczba godzin - stac. | Liczba godzin - niestac. |
|---|---|---|
| Przygotowanie do zajęć | 15 | 30 |
| Analiza wskazanej literatury | 15 | 15 |
| Przygotowanie do egzaminu / zaliczenia | 15 | 15 |
| Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp. | 15 | 20 |
| Przygotowanie projektu | 15 | 25 |
| SUMA | 75 | 105 |
Cele przedmiotu: Celem przedmiotu jest przekazanie kluczowej wiedzy i ukształtowanie umiejętności w zakresie zastosowania AI i uczenia maszynowych w kontekście Przemysłu 5.0. W szczególności, przedmiot obejmuje takie zagadnienia jak: - Wytyczne etyczne EU dla godnej zaufania sztucznej inteligencji (ang., Ethics Guidelines for Trustworthy Artificial Intelligence) - grafowe sieci neuronowe, EfficientNet, Inception V, YOLO, Facebook Prophet, ChatGPT - bezpieczeństwem stosowania rozwiązań AI i uczenia maszynowego - inteligentne systemy wspomagania decyzji - zastosowania AI i uczenia maszynowego
Wymagania wstępne:
Zakres tematyczny
| Rodzaj zajęć | Opis | Godz. stac. | Godz. niestac. |
|---|---|---|---|
| Wykład | Omówienie obecnego stanu wiedzy w zakresie AI i uczenia maszynowego oraz ich zastosowań w kontekście Przemysłu 5.0. Wytyczne etyczne EU dla godnej zaufania sztucznej inteligencji (ang., Ethics Guidelines for Trustworthy Artificial Intelligence). | 3 | 2 |
| Wykład | Wprowadzenie do środowisk oraz narzędzi AI i uczenia maszynowego: grafowe sieci neuronowe, EfficientNet, Inception V, YOLO, Facebook Prophet, ChatGPT. | 3 | 2 |
| Wykład | Zagadnienia związane z bezpieczeństwem stosowania rozwiązań AI i uczenia maszynowego. | 3 | 2 |
| Wykład | Inteligentne systemy wspomagania decyzji: podstawowe definicje i struktury. | 3 | 2 |
| Wykład | Problemy decyzyjne: wybór, klasyfikacja, rankingi. | 3 | 2 |
| Wykład | Modele preferencji dla wielowymiarowych problemów decyzyjnych: funkcja użyteczności, system relacyjny, zbiór reguł decyzyjnych. | 4 | 2 |
| Wykład | Logika rozmyta: zbiory rozmyte, funkcje przynależności, rozmywanie, wyostrzanie. | 4 | 2 |
| Wykład | Podejmowanie decyzji w warunkach niepewności: projektowanie funkcji przynależności, optymalizacja struktury rozmytego systemu decyzyjnego. | 4 | 2 |
| Wykład | Zastosowania AI i uczenia maszynowego w: przewidywaniu zapotrzebowania na energię elektryczną, analizie uszkodzeń systemów energoelektronicznych, przewidywanie zapotrzebowania na energię odnawialną, modelowanie procesów przemysłowych i optymalizacji ich funkcjonowania. | 3 | 2 |
| Laboratorium | Omówienie obecnego stanu wiedzy w zakresie AI i uczenia maszynowego oraz ich zastosowań w kontekście Przemysłu 5.0. Wytyczne etyczne EU dla godnej zaufania sztucznej inteligencji (ang., Ethics Guidelines for Trustworthy Artificial Intelligence). | 3 | 2 |
| Laboratorium | Wprowadzenie do środowisk oraz narzędzi AI i uczenia maszynowego: grafowe sieci neuronowe, EfficientNet, Inception V, YOLO, Facebook Prophet, ChatGPT. | 3 | 2 |
| Laboratorium | Zagadnienia związane z bezpieczeństwem stosowania rozwiązań AI i uczenia maszynowego. | 3 | 2 |
| Laboratorium | Inteligentne systemy wspomagania decyzji: podstawowe definicje i struktury. | 3 | 2 |
| Laboratorium | Problemy decyzyjne: wybór, klasyfikacja, rankingi. | 3 | 2 |
| Laboratorium | Modele preferencji dla wielowymiarowych problemów decyzyjnych: funkcja użyteczności, system relacyjny, zbiór reguł decyzyjnych. | 4 | 2 |
| Laboratorium | Logika rozmyta: zbiory rozmyte, funkcje przynależności, rozmywanie, wyostrzanie. | 4 | 2 |
| Laboratorium | Podejmowanie decyzji w warunkach niepewności: projektowanie funkcji przynależności, optymalizacja struktury rozmytego systemu decyzyjnego. | 4 | 2 |
| Laboratorium | Zastosowania AI i uczenia maszynowego w: przewidywaniu zapotrzebowania na energię elektryczną, analizie uszkodzeń systemów energoelektronicznych, przewidywanie zapotrzebowania na energię odnawialną, modelowanie procesów przemysłowych i optymalizacji ich funkcjonowania. | 3 | 2 |
| Projekt | Zdefiniowanie zadania projektowego z zastosowaniem AI i zaawansowanego uczenia maszynowego | 1 | 1 |
| Projekt | Zbudowanie struktury aplikacji z zastosowaniem wybranych bibliotek AI i zaawansowanego 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:
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: Sylwester Bejger, Grzegorz Dudek, Witold Orzeszko, Michał D. Stasiak, Krzysztof Targiel, Uczenie maszynowe w podejmowaniu decyzji prognostycznych, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, 2020 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 Uthayan Elangovan, Industry 5.0 The Future of the Industrial Economy, CRC Press, 2022.
Literatura uzupełniająca:
| Symbole | Opis efektu | Metoda weryfikacji | Forma zajęć |
|---|---|---|---|
| Potrafi scharakteryzować aktualny wiedzy w zakresie zastosowania AI i uczenia maszynowych w kontekście Przemysłu 5.0. |
|
|
|
| Potrafi wskazać i opisać różne strategie oraz środowiska AI i uczenia maszynowego, wyjaśnić zagadnienia związane z bezpieczeństwem ich stosowania. |
|
|
|
| Potrafi wskazać i wyjaśnić kluczowe aspekty konstruowania inteligentnych systemów decyzyjnych. |
|
|
|
| 05.12.2000 |
|
|
|
| Ma świadomość i potrafi wskazać etyczne zagrożenia związanych z zastosowaniem AI i uczenia maszynowego. |
|
|