Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Sztuczna inteligencja i systemy ekspertowe
Tok studiów:
2015/2016
Kod:
BIT-1-602-s
Wydział:
Geologii, Geofizyki i Ochrony Środowiska
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Stosowana
Semestr:
6
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
dr Bielecka Marzena (bielecka@agh.edu.pl)
Osoby prowadzące:
prof. dr hab. Flasiński Mariusz (Mariusz.Flasinski@uj.edu.pl)
dr Bielecka Marzena (bielecka@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 zna podstawowe struktury systemów sztucznej inteligencji (sieci neuronowe, systemy ekspertowe) i metody ich realizacji programistycznej. IT1A_W01 Egzamin
M_W002 Student zna wybrane techniki konstrukcji systemów sztucznej inteligencji. IT1A_W12, IT1A_W04 Egzamin,
Wykonanie ćwiczeń laboratoryjnych
Umiejętności
M_U001 Student potrafi wykorzystać podstawowe struktury systemów sztucznej inteligencji przy opisie prostych problemów przedstawionych w języku naturalnym IT1A_U11 Egzamin,
Wykonanie ćwiczeń laboratoryjnych
M_U002 Student potrafi zaproponować rozwiązanie dla prostego problemu predykcyjnego, diagnostycznego i optymalizacyjnego. IT1A_U13 Egzamin,
Wykonanie ćwiczeń laboratoryjnych
M_U003 Student projektuje i implementuje systemy sztucznej inteligencji oraz algorytmy ich nauki. IT1A_U12 Egzamin,
Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne
M_K001 Student posiada umiejętność współpracy i posiada zdolność do samokształcenia. IT1A_K01, IT1A_K03 Wykonanie ćwiczeń laboratoryjnych
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
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. + - - - - - + - - - -
Umiejętności
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. + - - - - - + - - - -
Kompetencje społeczne
M_K001 Student posiada umiejętność współpracy i posiada zdolność do samokształcenia. - - - - - - + - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

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.

Zajęcia praktyczne:

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.

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 120 godz
Punkty ECTS za moduł 4 ECTS
Udział w wykładach 45 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Udział w zajęciach praktycznych 30 godz
Przygotowanie do zajęć 15 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

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

Wymagania wstępne i dodatkowe:

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

Zalecana literatura i pomoce naukowe:

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

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

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

Informacje dodatkowe:

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.