Module also offered within study programmes:
General information:
Name:
Artificial Intelligence and expert systems
Course of study:
2015/2016
Code:
BIT-1-602-s
Faculty of:
Geology, Geophysics and Environmental Protection
Study level:
First-cycle studies
Specialty:
-
Field of study:
Applied Computer Science
Semester:
6
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr Bielecka Marzena (bielecka@agh.edu.pl)
Academic teachers:
prof. dr hab. Flasiński Mariusz (Mariusz.Flasinski@uj.edu.pl)
dr Bielecka Marzena (bielecka@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 Student posiada umiejętność współpracy i posiada zdolność do samokształcenia. IT1A_K01, IT1A_K03 Execution of laboratory classes
Skills
M_U001 Student potrafi wykorzystać podstawowe struktury systemów sztucznej inteligencji przy opisie prostych problemów przedstawionych w języku naturalnym IT1A_U11 Examination,
Execution of laboratory classes
M_U002 Student potrafi zaproponować rozwiązanie dla prostego problemu predykcyjnego, diagnostycznego i optymalizacyjnego. IT1A_U13 Examination,
Execution of laboratory classes
M_U003 Student projektuje i implementuje systemy sztucznej inteligencji oraz algorytmy ich nauki. IT1A_U12 Examination,
Execution of laboratory classes
Knowledge
M_W001 Student zna podstawowe struktury systemów sztucznej inteligencji (sieci neuronowe, systemy ekspertowe) i metody ich realizacji programistycznej. IT1A_W01 Examination
M_W002 Student zna wybrane techniki konstrukcji systemów sztucznej inteligencji. IT1A_W12, IT1A_W04 Examination,
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 Student posiada umiejętność współpracy i posiada zdolność do samokształcenia. - - - - - - + - - - -
Skills
M_U001 Student potrafi wykorzystać podstawowe struktury systemów sztucznej inteligencji przy opisie prostych problemów przedstawionych w języku naturalnym + - - - - - + - - - -
M_U002 Student potrafi zaproponować rozwiązanie dla prostego problemu predykcyjnego, diagnostycznego i optymalizacyjnego. + - - - - - + - - - -
M_U003 Student projektuje i implementuje systemy sztucznej inteligencji oraz algorytmy ich nauki. + - - - - - + - - - -
Knowledge
M_W001 Student zna podstawowe struktury systemów sztucznej inteligencji (sieci neuronowe, systemy ekspertowe) i metody ich realizacji programistycznej. + - - - - - + - - - -
M_W002 Student zna wybrane techniki konstrukcji systemów sztucznej inteligencji. + - - - - - + - - - -
Module content
Lectures:

1. Wstęp
a) Cechy funkcjonalne systemów sztucznej inteligencji.
b) Typy zadań rozwiązywanych przez systemy sztucznej inteligencji.
c) Taksonomia systemów sztucznej inteligencji.
d) Obszary zastosowań.
2. Sztuczne sieci neuronowe.
a) Model neuronu.
b) Perceptron – struktura, algorytm nauki, przykłady zastosowań.
c) Sieć Hopfielda – struktura, algorytm nauki, przykłady zastosowań.
d) Sieć Kohonena – struktura, algorytm nauki, przykłady zastosowań.
e) Sieć Hamminga – struktura, algorytm nauki, przykłady zastosowań
f) Sieć ART1
3. Systemy ekspertowe.
a) Systemy regułowe.
b) Sieci semantyczne.
c) Systemy ramowe.
d) Modele obliczeniowe.
4. Algorytmy genetyczne.
5. Systemy wnioskowania rozmytego.

Practical classes:

1. Wstęp
a) Cechy funkcjonalne systemów sztucznej inteligencji.
b) Typy zadań rozwiązywanych przez systemy sztucznej inteligencji.
c) Taksonomia systemów sztucznej inteligencji.
d) Obszary zastosowań.
2. Sztuczne sieci neuronowe.
a) Model neuronu.
b) Perceptron – struktura, algorytm nauki, przykłady zastosowań.
c) Sieć Hopfielda – struktura, algorytm nauki, przykłady zastosowań.
d) Sieć Kohonena – struktura, algorytm nauki, przykłady zastosowań.
e) Sieć Hamminga – struktura, algorytm nauki, przykłady zastosowań
f) Sieć ART1
3. Systemy ekspertowe.
a) Systemy regułowe.
b) Sieci semantyczne.
c) Systemy ramowe.
d) Modele obliczeniowe.
4. Algorytmy genetyczne.
5. Systemy wnioskowania rozmytego.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 120 h
Module ECTS credits 4 ECTS
Participation in lectures 45 h
Realization of independently performed tasks 30 h
Participation in practical classes 30 h
Preparation for classes 15 h
Additional information
Method of calculating the final grade:

Ocena końcowa = 50% oceny z egzaminu + 50% oceny z ćwiczeń
(lub Ocena końcowa odpowiada ocenie z zaliczenia)

Prerequisites and additional requirements:

Zaliczone przedmioty: analiza matematyczna , algebra liniowa oraz umiejętność programowania.

Recommended literature and teaching resources:

Zalecana literatura i pomoce naukowe
Rutkowski L. Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa, Wydawnictwo Naukowe PWN, Warszawa 2006.
Flasiński M. Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011
Schaefer R. Podstawy genetycznej optymalizacji globalnej, Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków 2002.
Rutkowska D. Inteligentne systemy obliczeniowe, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1997
Żurada J.,Barski M.,Jędruch W., Sztuczne sieci neuronowe, PWN,Warszawa 1996

Scientific publications of module course instructors related to the topic of the module:

Flasiński Mariusz “Wstęp do sztucznej inteligencji”, Wydawnictwo Naukowe PWN, Warszawa 2011

Additional information:

udział „praktycznych” punktów ECTS: 2
udział „teoretycznych” punktów ECTS: 2

Zasady zaliczania zajęć:
Terminem uzyskania zaliczenia jest koniec zajęć w danym semestrze. Przewidywany jest jeden termin zaliczenia poprawkowego.