Module also offered within study programmes:
General information:
Annual:
2017/2018
Code:
EIT-2-107-SY-s
Name:
Metody inteligencji obliczeniowej
Faculty of:
Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering
Study level:
Second-cycle studies
Specialty:
Systemy inteligentne
Field of study:
Computer Science
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
prof. dr hab. inż. Tadeusiewicz Ryszard (rtad@agh.edu.pl)
Academic teachers:
prof. dr hab. inż. Tadeusiewicz Ryszard (rtad@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)
Skills
M_U001 potrafi wykorzystać poznane metody i modele sformalizowane do modelowania zadań i algorytmów inteligencji obliczeniowej w tym sztucznych sieci neuronowych i metod ewolucyjnych w systemach informatycznych i oprogramowaniu IT2A_U06 Test
M_U002 potrafi ocenić przydatność różnych paradygmatów i metod inteligencji obliczeniowej i związanych z nimi środowisk programistycznych do rozwiązywania różnego typu praktycznych problemów koncepcyjnych i technicznych IT2A_U07 Test
M_U003 potrafi konstruować algorytmy z wykorzystaniem technik algorytmicznych z obszaru inteligencji obliczeniowej, w tym na potrzeby modelowania sztucznych sieci neuronowych i metod ewolucyjnych IT2A_U10 Test
Knowledge
M_W001 ma wiedzę w zakresie matematyki, obejmującą algebrę liniową, elementy rachunku prawdopodobieństwa, matematykę dyskretną i metody numeryczne niezbędne do modelowania problemów z obszaru inteligencji obliczeniowej IT2A_W01 Test
M_W002 ma poszerzoną wiedzę na temat różnych paradygmatów, metod i algorytmów inteligencji obliczeniowej w tym sztucznych sieci neuronowych i metod ewolucyjnych IT2A_W03 Test
M_W003 ma pogłębioną i uporządkowaną wiedzę w zakresie programowania w językach programowania używanych do implementowania algorytmów inteligencji obliczeniowej IT2A_W04 Test
M_W004 orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki, w tym sztucznej inteligencji i metod inteligencji obliczeniowej w tym obszarach ich zastosowań w informatyce i technice IT2A_W10 Test
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
Skills
M_U001 potrafi wykorzystać poznane metody i modele sformalizowane do modelowania zadań i algorytmów inteligencji obliczeniowej w tym sztucznych sieci neuronowych i metod ewolucyjnych w systemach informatycznych i oprogramowaniu - - + - - - - - - - -
M_U002 potrafi ocenić przydatność różnych paradygmatów i metod inteligencji obliczeniowej i związanych z nimi środowisk programistycznych do rozwiązywania różnego typu praktycznych problemów koncepcyjnych i technicznych - - + - - - - - - - -
M_U003 potrafi konstruować algorytmy z wykorzystaniem technik algorytmicznych z obszaru inteligencji obliczeniowej, w tym na potrzeby modelowania sztucznych sieci neuronowych i metod ewolucyjnych - - + - - - - - - - -
Knowledge
M_W001 ma wiedzę w zakresie matematyki, obejmującą algebrę liniową, elementy rachunku prawdopodobieństwa, matematykę dyskretną i metody numeryczne niezbędne do modelowania problemów z obszaru inteligencji obliczeniowej + - - - - - - - - - -
M_W002 ma poszerzoną wiedzę na temat różnych paradygmatów, metod i algorytmów inteligencji obliczeniowej w tym sztucznych sieci neuronowych i metod ewolucyjnych + - - - - - - - - - -
M_W003 ma pogłębioną i uporządkowaną wiedzę w zakresie programowania w językach programowania używanych do implementowania algorytmów inteligencji obliczeniowej + - - - - - - - - - -
M_W004 orientuje się w obecnym stanie oraz najnowszych osiągnięciach i trendach rozwojowych informatyki, w tym sztucznej inteligencji i metod inteligencji obliczeniowej w tym obszarach ich zastosowań w informatyce i technice + - + - - - - - - - -
Module content
Lectures:

Lokalizacja metod inteligencji obliczeniowej wśród innych metod informatycznych. Atrybuty odróżniające metody inteligencji obliczeniowej od metod sztucznej inteligencji. Koncepcja sieci neuronowych i ich podstawowe właściwości. Budowa sztucznych neuronów i całych sieci. Uczenie sieci neuronowych. Sieci neuronowe samouczące się (Kohonena). Sieci rekurencyjne (Hopfielda).

Optymalizacja z wykorzystaniem algorytmów genetycznych i innych metod ewolucyjnych. Algorytmy mrówkowe i metody mrowiskowe. Sztuczne systemy immunologiczne i inne metody obliczeniowe wzorowane na systemach naturalnych.

Metody zbiorów rozmytych i zbiorów przybliżonych, uczących się drzew decyzyjnych i innych technik uczenia maszynowego.

Laboratory classes:

Tworzenie, uczenie i testowanie sieci neuronowych o różnej strukturze, różnym stopniu złożoności i różnym przeznaczeniu. Porównanie różnych narzędzi informatycznych służących do realizacji obliczeń zgodnych z paradygmatem sieci neuronowych. Eksperymenty z wykorzystaniem oprogramowania opartego na metodach mrowiskowych. Budowa i badanie programów wspomagania decyzji opartych na metodach zbiorów rozmytych i zbiorów przybliżonych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 90 h
Module ECTS credits 3 ECTS
Participation in lectures 30 h
Participation in laboratory classes 30 h
Realization of independently performed tasks 20 h
Preparation for classes 10 h
Additional information
Method of calculating the final grade:

Wiedza i umiejętności każdego studenta oceniane są wg następujących zasad: za ćwiczenia można uzyskać 0-60 pkt. (kolokwia, aktywność, sprawozdania).
Kolokwium końcowe na wykładzie – 0-40 pkt.
Łącznie: 0-100 pkt.

Przy zaliczeniach zajęć i egzaminach oraz wystawianiu oceny końcowej stosuje się następujące oceny:

  • 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).
Prerequisites and additional requirements:

Zainteresowanie metodami i technikami inteligencji obliczeniowej
Znajomość podstawowych metod tworzenia i eksploatacji systemów informatycznych.
Znajomość systemów operacyjnych i podstaw użytkowania komputerów.
Znajomość języka angielskiego w stopniu umożliwiającym studiowanie literatury fachowej.

Recommended literature and teaching resources:
  1. Lula P., Morajda J., Paliwoda-Pękosz G., Stal J., Tadeusiewicz R., Wilusz W.: Komputerowe metody analizy i przetwarzania danych, Uniwersytet Ekonomiczny, Kraków 2012
  2. Ogiela L., Tadeusiewicz R.: Kategoryzacja w systemach kognitywnych, UWND AGH, Kraków 2009
  3. Tadeusiewicz R., Gąciarz T., Borowik B., Leper B.: Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Wydawnictwo Polskiej Akademii Umiejętności, ISBN 978-83-60183-53-4, Kraków 2007
  4. Lula P., Paliwoda-Pękosz G., Tadeusiewicz R.: Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu, Wydawnictwa Akademii Ekonomicznej w Krakowie, Krakow, 2007
  5. Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa, 1993
Scientific publications of module course instructors related to the topic of the module:

Tadeusiewicz R. (2012): W jakim zakresie nowoczesna sztuczna inteligencja może być zastosowana w inteligentnych budynkach. Napędy i sterowanie, Nr 12(164), str. 74-84

Tadeusiewicz R. (2012): Sztuczna inteligencja stosowana w inteligentnych budynkach. W: Inteligentne budynki – innowacyjne kierunki rozwoju, monografia pod red. J. Mikulika, rozdział 1.1, str. 17-43, OW “Text”, Kraków

Tadeusiewicz R. (2011): Artificial Intelligence Applied to the Intelligent Buildings. 6th Int. Congress on Intelligent Building Systems InBuS 2011, Kraków, 20-21.X.2011

Plawiak P., Tadeusiewicz R.: Approximation of phenol concentration using novel hybrid computational intelligence methods, International Journal of Applied Mathematics and Computer Science, Vol. 24, No. 1, pp. 165–181, DOI: 10.2478/amcs-2014-0013, 2014

Lewicki A., Tadeusiewicz R.: An autocatalytic emergence swarm algorithm in the decision-making task of managing the process of creation of intellectual capital, Chapter in the book: Hippe Z.S., Kulikowski J.L., Mroczek T. (Eds.): Human-Computer Systems Interaction. Backgrounds and Applications 2, Advances in Soft Computing 98, Springer-Verlag, Berlin, 2012, pp. 271-286

Additional information:

Na stronie http://www.uci.agh.edu.pl/uczelnia/tad/dorobek_naukowy.php?id=pubwww są dostępne pełne teskty książek związanych z tym przedmiotem, filmów instruktazowych, programów komputerowych i prezentacji PPT.