Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Systemy eksperckie w projektowaniu maszyn
Tok studiów:
2012/2013
Kod:
RBM-2-108-KW-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Komputerowe wspomaganie projektowania
Kierunek:
Mechanika i Budowa Maszyn
Semestr:
1
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
dr hab. inż, prof. AGH Szybka Jan (szybja@agh.edu.pl)
Osoby prowadzące:
dr hab. inż, prof. AGH Szybka Jan (szybja@agh.edu.pl)
dr inż. Heinrich Małgorzata (heinrich@agh.edu.pl)
dr inż. Jasica Grażyna (jasica@agh.edu.pl)
dr inż. Bera Piotr (pbera@agh.edu.pl)
Krótka charakterystyka modułu

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 Student posiada ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. BM2A_W02 Projekt
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. BM2A_W05, BM2A_W03 Projekt
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. BM2A_W06 Projekt
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. BM2A_W05 Projekt
Umiejętności
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. BM2A_U01, BM2A_U10 Projekt
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. BM2A_U21 Projekt
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. BM2A_U10 Projekt
Kompetencje społeczne
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. BM2A_K01, BM2A_K02 Projekt
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. audyt.
Ćwicz. lab.
Ćwicz. proj.
Konw.
Zaj. sem.
Zaj. prakt.
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
M_W001 Student posiada ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. + - - - - - - - - - -
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. + - - - - - - - - - -
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. + - - - - - - - - - -
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. + - - - - - - - - - -
Umiejętności
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. - - - + - - - - - - -
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. - - - + - - - - - - -
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. - - - + - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. + - - + - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

1. Koncepcja i podstawy funkcjonowania systemów eksperckich.
2. Sztuczne sieci neuronowe (SSN) w systemach eksperckich.
3. Metoda gradientowa uczenia SSN.
4. Metoda wstecznej propagacji błędów uczenia SSN.
5. Opracowanie bazy danych uczących.
6. Dobór funkcji przeniesienia.
7. Wybór początkowych wartości wag.
8. Analiza zmienności współczynnika uczenia.
9. Przyspieszanie procesu uczenia.
10. Dobór liczby warstw i neuronów.
11. Analiza długości procesu uczenia.
12. Ocena błędu metody sztucznych sieci neuronowych.
13, 14. Przykłady praktycznych zastosowań sztucznych sieci neuronowych.
15. Zaliczenie przedmiotu.

Ćwiczenia projektowe:

1, 2. Uczenie liniowego neuronu.
3, 4. Uczenie nieliniowego neuronu.
5, 6. Metoda wstecznej propagacji błędów.
7, 8. Obsługa pakietu NN Toolbox w programie Matlab.
9 – 12. Programowanie SSN (w programie Matlab).
13 – 15. Programowanie SSN (w programie Matlab).

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 80 godz
Punkty ECTS za moduł 3 ECTS
Udział w wykładach 15 godz
Udział w ćwiczeniach projektowych 30 godz
Dodatkowe godziny kontaktowe z nauczycielem 20 godz
Wykonanie projektu 15 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

Ocena na podstawie wykonanego projektu. Uwzględniana jest obecność na wykładach.

Wymagania wstępne i dodatkowe:

Wymagana podstawowa wiedza z zakresu:
1. matematyki
2. obsługi programu Matlab (operacje na macierzach, pętle: for, if, itp.).

Zalecana literatura i pomoce naukowe:

Literatura:
1. R. Tadeusiewicz: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
2. Lenkiewicz W., Szybka J. (red.): Problemy badawcze w eksploatacji wybranych obiektów
technicznych. PAN, PNTTE, Warszawa 2010.
3. Hagan M. T., Demuth H. B., Beale M. H.: Neural network design, 1995.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak