Module also offered within study programmes:
General information:
Name:
Metody inżynierii wiedzy
Course of study:
2014/2015
Code:
EAR-2-103-IS-s
Faculty of:
Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering
Study level:
Second-cycle studies
Specialty:
Informatyka w sterowaniu i zarządzaniu
Field of study:
Automatics and Robotics
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
dr hab. Horzyk Adrian (horzyk@agh.edu.pl)
Academic teachers:
dr hab. Horzyk Adrian (horzyk@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Ma świadomość roli i znaczenia inżynierii wiedzy w przedsiębiorstwie, gospodarce i społeczeństwie AR2A_K02, AR2A_K01 Examination,
Participation in a discussion,
Involvement in teamwork
Skills
M_U001 Potrafi operować aparatem pojęciowym inżynierii wiedzy AR2A_U16, AR2A_U19, AR2A_U10, AR2A_U03, AR2A_U01, AR2A_U20, AR2A_U06, AR2A_U02 Project,
Examination,
Execution of a project,
Execution of laboratory classes
M_U002 Potrafi dokonać klasyfikacji problemu reprezentacji i przetwarzania wiedzy oraz wybrać metody i narzędzia do jego rozwiązania AR2A_U16, AR2A_U19, AR2A_U10, AR2A_U03, AR2A_U01, AR2A_U20, AR2A_U06, AR2A_U02 Examination,
Execution of a project,
Execution of laboratory classes
M_U003 Potrafi zaprojektować i zaimplementować prosty system z bazą wiedzy AR2A_U16, AR2A_U19, AR2A_U10, AR2A_U03, AR2A_U01, AR2A_U20, AR2A_U06, AR2A_U02 Examination,
Execution of a project,
Execution of laboratory classes
M_U004 Posiada elementarne umiejętności wykorzystania asocjacyjnych struktur danych i wnioskowania asocjacyjnego AR2A_U16, AR2A_U19, AR2A_U10, AR2A_U03, AR2A_U01, AR2A_U20, AR2A_U06, AR2A_U02 Examination,
Execution of a project,
Execution of laboratory classes
Knowledge
M_W001 Ma podstawową wiedzę w zakresie metod reprezentacji wiedzy AR2A_W07, AR2A_W01, AR2A_W13, AR2A_W02 Examination,
Execution of a project,
Execution of laboratory classes
M_W002 Ma podstawową wiedzę w zakresie wnioskowania i metod przetwarzania wiedzy AR2A_W11, AR2A_W07, AR2A_W01, AR2A_W13, AR2A_W02 Examination,
Execution of a project,
Execution of laboratory classes
M_W003 Ma podstawową wiedzę w zakresie metod i algorytmów sztucznej inteligencji i inżynierii wiedzy AR2A_W11, AR2A_W07, AR2A_W01, AR2A_W13, AR2A_W02 Examination,
Execution of a project,
Execution of laboratory classes
M_W004 Ma podstawowa wiedzę w zakresie asocjacyjnych struktur danych oraz metod ich asocjacyjnego przetwarzania i wnioskowania AR2A_W11, AR2A_W07, AR2A_W01, AR2A_W13, AR2A_W02 Examination,
Execution of a project,
Execution of laboratory classes
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Ma świadomość roli i znaczenia inżynierii wiedzy w przedsiębiorstwie, gospodarce i społeczeństwie + - + - - - - - - - -
Skills
M_U001 Potrafi operować aparatem pojęciowym inżynierii wiedzy + - + - - - - - - - -
M_U002 Potrafi dokonać klasyfikacji problemu reprezentacji i przetwarzania wiedzy oraz wybrać metody i narzędzia do jego rozwiązania + - + - - - - - - - -
M_U003 Potrafi zaprojektować i zaimplementować prosty system z bazą wiedzy + - + - - - - - - - -
M_U004 Posiada elementarne umiejętności wykorzystania asocjacyjnych struktur danych i wnioskowania asocjacyjnego + - + - - - - - - - -
Knowledge
M_W001 Ma podstawową wiedzę w zakresie metod reprezentacji wiedzy + - + - - - - - - - -
M_W002 Ma podstawową wiedzę w zakresie wnioskowania i metod przetwarzania wiedzy + - + - - - - - - - -
M_W003 Ma podstawową wiedzę w zakresie metod i algorytmów sztucznej inteligencji i inżynierii wiedzy + - + - - - - - - - -
M_W004 Ma podstawowa wiedzę w zakresie asocjacyjnych struktur danych oraz metod ich asocjacyjnego przetwarzania i wnioskowania + - + - - - - - - - -
Module content
Lectures:

    1. Podstawowe pojęcia: informacja, wiedza, inteligencja, kojarzenie, wnioskowanie. Wprowadzenie do sztucznej inteligencji (ang. Artificial Intelligence, AI) i inżynierii wiedzy (ang. Knowledge Engineering, KE) powiązanych z metodami eksploracji danych (ang. Data Mining) w bazach danych i korpusach tekstów. Metody reprezentacji i przetwarzania wiedzy. Metody numeryczne, inteligencja obliczeniowa, metody graficzne, algebraiczne, logiczne i asocjacyjne. Przykładowe problemy, narzędzia i obszary zastosowań. Taksonomia problemów AI i KE.
    2. Formy reprezentacji danych w systemach komputerowych, algorytmy wyszukiwania danych i informacji. Grafowe i asocjacyjne struktury danych oraz metody przeszukiwania grafów, szukanie ścieżki w grafie. Algorytmy ślepe i heurystyczne. Algorytmy dla grafów AND/OR i gier.
    3. Asocjacyjne formy reprezentacji danych, faktów, reguł, algorytmów. Formowanie wiedzy w grafowych skojarzeniowych strukturach danych i sztucznych systemach skojarzeniowych. Wydobywanie informacji z systemów reprezentujących wiedzę. Autonomiczność systemów skojarzeniowych reprezentujących wiedzę. Unikalność, częstotliwość, podobieństwo i następstwo danych oraz ich wpływ na proces formowania się wiedzy.
    4. Wyszukiwanie informacji. Systemy regułowe i ekspertowe. Tablice decyzyjne, drzewa decyzyjne, grafy decyzyjne. Reprezentacja wiedzy, wnioskowanie, sterowanie wnioskowaniem. Wybrane narzędzia i zastosowania. Projektowanie i analiza systemów regułowych.
    5. Reprezentacja i przetwarzanie wiedzy nieprecyzyjnej (rozmytej), niepewnej i niepełnej. Elementy teorii zbiorów rozmytych. Logiki wielowartościowe, modalne i parakonsystentne. Programowanie logiczne LP (Logic Programing) i z ograniczeniami CP (Constraint Programing). Metody propagacji ograniczeń. Narzędzia i zastosowania.
    6. Systemy uczące się. Uczenie parametryczne a strukturalne. Uczenie wzorcowe i bezwzorcowe.
    7. Metody inżynierii wiedzy w sterowaniu, klasyfikacji, podejmowaniu decyzji, w planowaniu, diagnostyce i aplikacjach biznesowych (BI – business intelligence).
    8. Perspektywy rozwoju i zastosowań AI/KE.

  1. Po zakończeniu wykładów odbędzie się egzamin sprawdzający wiedzę teoretyczną oraz umiejętność rozwiązywania zadań z zakresów tematycznych omawianych na wykładach oraz zadań przerobionych w trakcie ćwiczeń. Wyznaczenie oceny z egzaminu odbędzie się w oparciu o zdobytą ilość punktów.

Laboratory classes:
  1. W ramach ćwiczeń projektowych studenci opracowują projekt oraz wykonują implementację i dokumentację wybranego systemu przetwarzania wiedzy. Tematy projektów zaliczeniowych zostaną omówione w trakcie wykładów, jak również zostanie przekazana niezbędna wiedza do ich realizacji. Projekty będą związane z implementacją i testowaniem wybranego algorytmu/metody oraz zastosowaniem wybranych metod inżynierii wiedzy (KE) w monitorowaniu, sterowaniu, klasyfikacji, diagnostyce, podejmowaniu decyzji, wnioskowaniu, planowaniu itp.
    Ćwiczenia będą podzielone na kilka modułów:
    1. Omówienie środowiska programistycznego Visual Studio do realizacji projektów w języku C# lub C++, budowa interfejsów, modułowa budowa i wykorzystanie metodyki inżynierii oprogramowania.
    2. Pozyskiwanie danych, przetwarzanie danych, wczytywanie danych do systemu oraz ich przetwarzanie i transformacja na postać dogodną dla działania metod Ai i KE. Korzystanie ze zbiorórów danych z ML Repository oraz korpusów tekstów.
    3. Korzystanie z narzędzi AI, KE i eksploracji danych (np. Weka, RapidMiner) oraz tworzenie, optymalizacja i implementacja algorytmów AI, KE i eksploracji danych dla potrzeb wybranych zadań.
    4. Tworzenie środowisk analizy i wizualizacji danych oraz wiedzy i procesów wnioskowania w formie graficznej, wykorzystanie i budowa interfejsów graficznych do analizy danych, ich zależności, korelacji, możliwości dyskryminacji itp.
    5. Realizacja indywidualnych lub grupowych projektów zaliczeniowych wykorzystujących zdobyte umiejętności i wiedzę z wykładu.

  2. Realizacja poszczególnych modułów w trakcie ćwiczeń będzie związana ze zdobyciem pewnej ilości punktów (łącznie maks. 50pkt), które razem z punktami zdobytymi za realizację projektu zaliczeniowego (maks. 50 pkt) będzie wyznaczała ocenę z ćwiczeń.
    Projekty w zależności od ich stopnia skomplikowania mogą być realizowane jedno- lub dwuosobowo. Ponadto istnieje możliwość realizacji większych wspólnych wieloosobowych projektów podzielonych na moduły, które będą realizowane w grupach 1-2 osobowych. Tematy projektów oraz szczegóły ich realizacji zostaną omówione w trakcie wykładów i ćwiczeń. Projekty będą realizowane w środowisku programistycznym Visual Studio (C# lub C++) dostępnym dla studentów bezpłatnie. Celem jest zdobycie praktycznych umiejętności stosowania i implementacji wybranych metod KE i AI do konkretnych zagadnień.
    Przez oddanie końcowego projektu zaliczeniowego (stopniowo rozwijanego w ramach ćwiczeń oraz pracy indywidualnej poza ćwiczeniami) rozumie się przekazanie prowadzącemu w postaci elektronicznej:

    • zrealizowanego, w pełni funkcjonalnego i działającego programu (kodu źródłowego, bibliotek, baz danych, danych, korpusów tekstów itp. oraz ostatecznej działającej wersji wykonywalnej/skompilowanej)
    • opisu/dokumentacji zrealizowanego projektu i programu oraz krótkiego opisu zastosowanych algorytmów z odnośnikami bibliograficznymi do poszerzonego opisu zastosowanych algorytmów/metod (przy czym opis ten może być dołączony osobno w postaci dokumentu tekstowego lub może być wbudowany w aplikację w postaci wyświetlanej pomocy dla użytkownika programu). Opis powinien być na tyle wyczerpujący, żeby potencjalny użytkownik mógł skorzystać ze zrealizowanych funkcjonalności aplikacji komputerowej i wiedział, jakie metody są stosowane do przetwarzania danych i wnioskowania.

    Istnieje możliwość zdobycia punktów dodatkowych:

    • 5 pkt za zaliczenie wszystkich modułów ćwiczeniowych oraz oddanie projektu w 1. terminie
    • 5 pkt za połączenie wersji finalnej projektu zaliczeniowego z modułami innych grup, jeśli projekt będzie miał charakter modułowy zakładający współpracę z innymi grupami
    • 10-20 pkt za napisanie po angielsku referatu (6-12 str + rysunki i tabele) opisującego zastosowane metody, osiągnięte wyniki oraz ich porównanie do innych metod stosowanych do tego rodzaju zagadnień wg literatury naukowej.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 120 h
Module ECTS credits 4 ECTS
Participation in lectures 28 h
Preparation for classes 45 h
Completion of a project 30 h
Realization of independently performed tasks 15 h
Examination or Final test 2 h
Additional information
Method of calculating the final grade:

Przy wyznaczaniu ocen z ćwiczeń, egzaminu oraz wystawianiu oceny końcowej stosuje się
następujące oceny w zależności od zdobytej ilości punktów:

  • 91 – 100% bardzo dobry (5.0);
  • 81 – 90% plus dobry (4.5);
  • 71 – 80% dobry (4.0);
  • 61 – 70% plus dostateczny (3.5);
  • 50 – 60% dostateczny (3.0);
  • poniżej 50% niedostateczny (2.0).
    Ocena końcowa będzie wyznaczana na podstawie średniej ocen uzyskanych z egzaminu i z ćwiczeń:
  • 5.0 (bdb) średnia >= 4,75;
  • 4.5 (+db) średnia >= 4,25;
  • 4.0 (db) średnia >= 3,75;
  • 3.5 (+dst) średnia >= 3,25;
  • 3.0 (dst) średnia >= 3,00;
  • 2.0 (ndst) średnia < 3,00.
Prerequisites and additional requirements:

Znajomość matematyki dyskretnej w zakresie algebry zbiorów oraz algebry relacji.
Podstawowa znajomość logiki.
Znajomość systemów operacyjnych i podstaw użytkowania komputerów.
Znajomość metod inżynierii oprogramowania
Umiejętność programowania C# lub C++ oraz środowiska programistycznego Visual Studio.
Znajomość relacyjnych baz danych.
Znajomość języka angielskiego w stopniu umożliwiającym studiowanie literatury fachowej.

Recommended literature and teaching resources:
  • Leszek Rutkowski: Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2012.
  • Adrian Horzyk: Sztuczne systemy skojarzeniowe i asocjacyjna sztuczna inteligencja, EXIT, Warszawa, 2013.
  • Antoni Ligęza: Logical Foundations for Rule-Based Systems. Springer-Verlag, Berlin, 2006.
  • Ryszard Tadeusiewicz: Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#
  • R. Tadeusiewicz, L. Rutkowski, M. Szaleniec, A. Horzyk, M. Strzelecki (eds.): Dodatek – Kompendium sieci neuronowych, Inżynieria biomedyczna. Podstawy i zastosowania. Sieci neuronowe w inżynierii biomedycznej, pod red. R. Tadeusiewicz, J. Korbicz, L. Rutkowski, W. Duch, Tom. 9, EXIT, Warszawa, 2013.
  • Mariusz Flasiński: Wstęp do sztucznej inteligencji. PWN 2011.
  • A. Kisielewicz: Sztuczna inteligencja. Podsumowanie przedsięwzięcia. WNT, 2011.
  • Stuart Russell, Peter Norvig: Artificial Intelligence. A Modern Approach. Pearson, 2010.
  • D. Poole, A. Mackworth: Artificial Intelligence: Foundations of Computational Agents. * Cambridge University Press, 2010.
  • Michael R. Genesereth, Nils J. Nilsson: Logical Foundations of Artificial Intelligence. * Morgan Kaufmann Publishers, Inc., Los Altos, California, 1987.
Scientific publications of module course instructors related to the topic of the module:

1. Horzyk, A., Sztuczne systemy skojarzeniowe i asocjacyjna sztuczna inteligencja, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2013, monografia habilitacyjna, 280 stron.
2. Horzyk, A., Contextual generalizing of robot control step sequences using associative neural graphs – referat na zaproszenie w trakcie BIT’s International Congress WCR 2015 w Shenyang, China, and the 14-th China International Equipment Manufacturing Exposition, 2015-08-30 – 2015-09-02.
3. Horzyk, A., Innovative Types and Abilities of Neural Networks Based on Associative Mechanisms and a New Associative Model of Neurons – referat na zaproszenie na międzynarodowej konferencji ICAISC 2015, Springer Verlag, LNAI 9119, 2015, pp. 26-38.
4. Horzyk, A., Human-Like Knowledge Engineering, Generalization and Creativity in Artificial Neural Associative Systems, Springer Verlag, AISC 11156, ISSN 2194-5357, 2015.
5. Horzyk, A., How Does Generalization and Creativity Come into Being in Neural Associative Systems and How Does It Form Human-Like Knowledge?, Elsevier, Neurocomputing, 2014, pp. 238-257, DOI: 10.1016/j.neucom.2014.04.046, IF = 1,634.
6. Horzyk, A., How Does Human-Like Knowledge Come into Being in Artificial Associative Systems, Proc. of the 8-th International Conference on Knowledge, Information and Creativity Support Systems, ISBN 978-83-912831-8-9, Krakow, Poland, 2013, 189-200.
7. Tadeusiewicz, R., Rutkowski, L., Szaleniec M., Horzyk, A., Strzelecki M. (eds.): Dodatek – Kompendium sieci neuronowych, Inżynieria biomedyczna. Podstawy i zastosowania. Sieci neuronowe w inżynierii biomedycznej, pod red. Tadeusiewicz, R., Korbicz, J., Rutkowski, L., Duch, W., Tom. 9, EXIT, Warszawa, 2013, s. 669-670, 673-676, 689-690, 721-724.
8. Horzyk, A., Gadamer, M., Associative Text Representation and Correction, Springer Verlag Berlin Heidelberg, LNAI 7894, 2013, pp. 76-87.
9. Horzyk, A., Information Freedom and Associative Artificial Intelligence, Springer Verlag Berlin Heidelberg, LNAI 7267, ISBN 978-3-642-29346-7, 2012, pp. 81-89.
10. Horzyk, A., Dudek-Dyduch, E., Efficiency of artificial intelligence models due to data association and availability, PAR, 2011, pp. 158-164.
11. Dudek-Dyduch, E., Tadeusiewicz, R., Horzyk, A., Neural Network Adaptation Process Effectiveness Dependent of Constant Training Data Availability, Elsevier, Neurocomputing 72, 2009, pp. 3138-3149, IF = 1,440.

Additional information:

None