Sylabus

Sylabus przedmiotu

AI i zaawansowane uczenie maszynowe

kod: 49ECTS: 6semestr: 5język: polski

Wydział: Instytut Nauk Inżynieryjno-Technicznych
Kierunek: Informatyka
Kod przedmiotu: 49
Rodzaj studiów: zawodowe z tyt. inżyniera
Semestr rozpoczęcia: semestr zimowy 2025/2026
Semestr przedmiotu: 5
ECTS: 6
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
(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 zajęć1530
Analiza wskazanej literatury1515
Przygotowanie do egzaminu / zaliczenia1515
Przygotowanie pracy pisemnej, raportu, prezentacji, demonstracji, itp.1520
Przygotowanie projektu1525
SUMA75105

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 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: 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:

SymboleOpis efektuMetoda weryfikacjiForma zajęć
Potrafi scharakteryzować aktualny wiedzy w zakresie zastosowania AI i uczenia maszynowych w kontekście Przemysłu 5.0.
  • prezentacja multimedialna
  • projekt
  • sprawdzian zaliczeniowy
  • sprawozdanie(a)
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wskazać i opisać różne strategie oraz środowiska AI i uczenia maszynowego, wyjaśnić zagadnienia związane z bezpieczeństwem ich stosowania.
  • prezentacja multimedialna
  • projekt
  • sprawdzian zaliczeniowy
  • sprawozdanie(a)
  • Wykład
  • Laboratorium
  • Projekt
Potrafi wskazać i wyjaśnić kluczowe aspekty konstruowania inteligentnych systemów decyzyjnych.
  • prezentacja multimedialna
  • projekt
  • sprawdzian zaliczeniowy
  • sprawozdanie(a)
  • Wykład
  • Laboratorium
  • Projekt
05.12.2000
  • prezentacja multimedialna
  • projekt
  • sprawdzian zaliczeniowy
  • sprawozdanie(a)
  • Wykład
  • Laboratorium
  • Projekt
Ma świadomość i potrafi wskazać etyczne zagrożenia związanych z zastosowaniem AI i uczenia maszynowego.
  • prezentacja multimedialna
  • projekt
  • sprawdzian zaliczeniowy
  • sprawozdanie(a)
  • Wykład
  • Laboratorium
  • Projekt

Osoba odpowiedzialna:
Zmodyfikowany przez: SYSTEM