Module also offered within study programmes:
General information:
Name:
Elementy sztucznej inteligencji
Course of study:
2017/2018
Code:
ZIE-1-403-n
Faculty of:
Management
Study level:
First-cycle studies
Specialty:
-
Field of study:
Information Technology and Econometrics
Semester:
4
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Responsible teacher:
dr inż. Macioł Andrzej (amaciol@zarz.agh.edu.pl)
Academic teachers:
Stawowy Adam (astawowy@zarz.agh.edu.pl)
dr inż. Macioł Andrzej (amaciol@zarz.agh.edu.pl)
Module summary

Po realizacji modułu student potrafi realizować zadania związane z projektowaniem i realizacją systemów AI w zarządzaniu.

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 potrafi pracować w zespole; potrafi rozwiązywać problemy związane z realizacją projektu oraz prezentować wyniki zespołu IE1A_K03, IE1A_K05, IE1A_K02 Project
Skills
M_U001 umie zastosować SSN do problemów prognozowania i klasyfikacji IE1A_U06, IE1A_U07 Execution of a project,
Report
M_U002 umie posługiwać się językiem Prolog IE1A_U06, IE1A_U17 Project
M_U003 umie posługiwać się szkieletowymi systemami regułowymi IE1A_U06, IE1A_U17 Activity during classes
M_U004 umie projektować systemy regułowe IE1A_U06, IE1A_U17 Project
Knowledge
M_W001 zna języki logiki stosowane w sztucznej inteligencji IE1A_W12, IE1A_W16 Test,
Examination
M_W002 zna i rozumie koncepcje sztucznej inteligencji IE1A_W11 Examination
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 potrafi pracować w zespole; potrafi rozwiązywać problemy związane z realizacją projektu oraz prezentować wyniki zespołu - - - + - - - - - - -
Skills
M_U001 umie zastosować SSN do problemów prognozowania i klasyfikacji - - - + - - - - - - -
M_U002 umie posługiwać się językiem Prolog - - - + - - - - - - -
M_U003 umie posługiwać się szkieletowymi systemami regułowymi - - - + - - - - - - -
M_U004 umie projektować systemy regułowe + - - + - - - - - - -
Knowledge
M_W001 zna języki logiki stosowane w sztucznej inteligencji + - - + - - - - - - -
M_W002 zna i rozumie koncepcje sztucznej inteligencji + - - + - - - - - - -
Module content
Lectures:

1. Znaczenie inteligencji, inteligencja naturalna i sztuczna, zakres badań nad sztuczną inteligencją.
2. Wnioskowanie – sformułowanie zadania.
3. Składnia i semantyka języka logiki.
4. Budowa systemu automatycznego wnioskowania.
5. Metody pozyskiwania wiedzy i uczenie maszynowe.
6. Systemy ekspertowe i systemy zarządzania regułami biznesowymi (BRM).
7. Sztuczne sieci neuronowe (SSN).

Project classes:

1. Obsługa szkieletowego systemu ekspertowego.
2. Projektowanie i wykorzystanie prostych systemów wnioskujących.
3. Modelowanie wiedzy różnymi metodami reprezentacji.
4. Kolokwium z metod reprezentacji wiedzy.
5. Zaprojektowanie prostego systemu wnioskującego w języku Prolog.
6. Prezentacja projektu i jego ocena.
7. Pozyskiwanie wiedzy na podstawie przykładów i obserwacji.
8. Zaprojektowanie i oprogramowania edytora wiedzy silnika wnioskującego.
9. Testowanie oprogramowania.
10. Prezentacja i ocena projektu.
11. Opracowanie programu komputerowego symulującego działanie sztucznej sieci neuronowej.
12. Opracowanie projektów zastosowania SSN w problemach predykcji i grupowania.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 55 h
Module ECTS credits 2 ECTS
Participation in lectures 8 h
Participation in project classes 14 h
Contact hours 3 h
Preparation for classes 10 h
Realization of independently performed tasks 10 h
Contact hours 10 h
Additional information
Method of calculating the final grade:

Ocena końcowa wystawiana jest przez prowadzącego wykład jako średnia arytmetyczna oceny z egzaminu oraz oceny z ćwiczeń projektowych. Ocena z laboratoriów wystawiana jest jako średnia ocen uzyskanych z 2 kolokwiów oraz oceny z projektu.
Zaliczenie poprawkowe w przypadku negatywnej oceny kolokwium polega na ponownym zdawaniu w trakcie godzin kontaktowych (maksymalnie dwie próby). Niezaliczony projekt musi być uzupełniony w terminie ustalonym przez władze Uczelni dla danego semestru.
Usprawiedliwiona nieobecność na zajęciach nie zwalnia z konieczności zaliczenia kolokwiów i wykonania projektu.

Prerequisites and additional requirements:

Wymagana znajomość podstaw programowania strukturalnego i obiektowego, baz danych i technik internetowych

Recommended literature and teaching resources:

Literatura
1. Cichosz P., Systemy uczące się. Wydawnictwa Naukowo-Techniczne, Warszawa 2000.
2. Jagielski J. Inżynieria wiedzy. Oficyna Wydawnicza Uniwersytetu Zielonogórskiego, 2005.
3. Kasperski M. J., Sztuczna Inteligencja. Helion 2003
4. Knosala R., Zastosowania metod sztucznej inteligencji w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2002.
5. Mulawka J., Systemy ekspertowe. WNT Warszawa 1996.2000 (seria: Klasyka Informatyki).
6. Tadeusiewicz R., Sieci neuronowe. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1993.
7. Witkowska D., Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe. C.H. Beck, Warszawa 2002.
Oprogramowanie
1. System Rebit.
2. Serwer języka Prolog.
3. Serwer MS SQL
4. Microsoft Visual Studio.
5. Microsoft Excel.

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

Additional scientific publications not specified

Additional information:

Dopuszcza się organizację egzaminu zerowego na życzenie studentów.