Module also offered within study programmes:
General information:
Annual:
2017/2018
Code:
RIA-2-304-ID-s
Name:
Podstawy sztucznej inteligencji
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Inżynieria Dźwięku w Mediach i Kulturze
Field of study:
Acoustic Engineering
Semester:
3
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Academic teachers:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Pukocz Przemysław (pukocz@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 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania dowolnego problemu z wykorzystaniem metod sztucznej inteligencji. IA2A_W03 Activity during classes,
Test,
Execution of laboratory classes
M_K002 Samodzielnie rozszerza wiedzę specjalistyczną w oparciu o podstawowy zestaw pojęciowy IA2A_W03 Activity during classes,
Test,
Execution of laboratory classes
M_K003 Potrafi poprawnie przygotować dokumentację wykonanych zadań ćwiczeniowych oraz zaprogramować rozwiązanie zadanego problemu IA2A_W03 Activity during classes,
Test,
Execution of laboratory classes
Skills
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji metod sztucznej inteligencji IA2A_W03 Activity during classes,
Execution of laboratory classes
M_U002 Potrafi zaimplementować wybrane metody sztucznej inteligencji IA2A_W03 Activity during classes,
Execution of laboratory classes
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania szerokiej klasy problemów z wykorzystaniem metod sztucznej inteligencji IA2A_W03 Activity during classes,
Execution of laboratory classes
Knowledge
M_W001 Zna i rozumie pojęcia związane ze sztuczną inteligencją IA2A_W03 Activity during classes,
Test
M_W002 Zna i rozumie rozszerzony zestaw pojęć związanych ze sztuczną inteligencją IA2A_W03 Activity during classes,
Test
M_W003 Zna podstawowe i rozszerzone obszary zastosowania metod sztucznej inteligencji IA2A_W03 Activity during classes,
Test
M_W004 Dysponuje wiedzą na temat wybranych metod sztucznej inteligencji i potrafi je stosować IA2A_W03 Activity during classes,
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
Social competence
M_K001 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania dowolnego problemu z wykorzystaniem metod sztucznej inteligencji. + - + - - - - - - - -
M_K002 Samodzielnie rozszerza wiedzę specjalistyczną w oparciu o podstawowy zestaw pojęciowy + - + - - - - - - - -
M_K003 Potrafi poprawnie przygotować dokumentację wykonanych zadań ćwiczeniowych oraz zaprogramować rozwiązanie zadanego problemu - - + - - - - - - - -
Skills
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji metod sztucznej inteligencji - - + - - - - - - - -
M_U002 Potrafi zaimplementować wybrane metody sztucznej inteligencji - - + - - - - - - - -
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania szerokiej klasy problemów z wykorzystaniem metod sztucznej inteligencji - - + - - - - - - - -
Knowledge
M_W001 Zna i rozumie pojęcia związane ze sztuczną inteligencją + - - - - - - - - - -
M_W002 Zna i rozumie rozszerzony zestaw pojęć związanych ze sztuczną inteligencją + - - - - - - - - - -
M_W003 Zna podstawowe i rozszerzone obszary zastosowania metod sztucznej inteligencji + - - - - - - - - - -
M_W004 Dysponuje wiedzą na temat wybranych metod sztucznej inteligencji i potrafi je stosować + - - - - - - - - - -
Module content
Lectures:
  1. Wprowadzenie do sztucznej inteligencji

    Wprowadzenie do sztucznej inteligencji, pojęcia podstawowe, trendy rozwojowe, inteligencja naturalna, a „sztuczna”

  2. Systemy kognitywne

    Systemy kognitywne, autonomiczne, sieci neuronowe. Inteligencja rozproszona, zbiorowa, sieciowa

  3. Sieci neuronowe

    Obliczenia w sieciach neuronowych, architektury sztucznych sieci neuronowych, sieci Kohonena (SOM)

  4. Metody modelowania niepewności stosowane w systemach eksperckich

    Metody modelowania niepewności stosowane w systemach eksperckich: reguły probabilistyczne i sieci Bayesowskie: teoria zbiorów rozmytych (fuzzy sets), zbiory przybliżone (rough sets)

  5. Metody modelowania niepewności (II)

    Metody modelowania niepewności (II): miary Hartleya, transformacja Möbiusa, teoria możliwości Dempstera-Shafera

  6. Architektura informatyczna systemów eksperckich

    Architektura informatyczna systemów eksperckich, bazy wiedzy

  7. Przetwarzanie reguł logicznych w systemach diagnostycznych

    Przetwarzanie reguł logicznych w systemach diagnostycznych

  8. Reprezentacja wiedzy

    Reprezentacja wiedzy, ontologie, rozpoznawanie i rozumienie sygnałów akustycznych

  9. Rozpoznawanie i rozumienie obrazów

    Rozpoznawanie i rozumienie obrazów: metody semantyczne i syntaktyczne, metody badania odległości od wzorców, rozpoznawanie relacji pomiędzy obiektami obrazu

  10. Wyszukiwanie informacji multimedialnej

    Wyszukiwanie informacji multimedialnej (audio, video, tekst) w oparciu o automatyczną interpretację treści (CBIR, CBSR)

  11. Metody inteligentnej analizy decyzji

    Metody inteligentnej analizy decyzji, trzy poziomy swobody wyboru decyzji, systemy autonomiczne

  12. Inteligentne systemy wspomagania decyzji (I-SWD)

    Inteligentne systemy wspomagania decyzji (I-SWD)

  13. Wykrywanie i analiza preferencji

    Wykrywanie i analiza preferencji, zastosowania w IDSS i rekomenderach, rekomendery audiowizualne

  14. Systemy i sieci antycypacyjne

    Systemy i sieci antycypacyjne: budowa sieci antycypacyjnych. Antycypacja, a problem sztucznej świadomości.

  15. Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji

    Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji

Laboratory classes:
  1. Funkcjonowanie regułowych systemów diagnostycznych

    Student wie jak funkcjonują regułowe systemy diagnostyczne. Student uruchomił przykładową aplikacje demonstrującą działanie regułowego systemu diagnostycznego. Student umie korzystać z regułowych systemów diagnostycznych.

  2. Oprogramowanie do rozpoznawania i rozumienia obrazów

    Student wie jak funkcjonuje oprogramowanie do rozpoznawania i rozumienia obrazów. Student uruchomił przykładową aplikacje demonstrującą działanie skryptu Matlab rozpoznającego i rozumiejącego obrazy. Student umie korzystać z oprogramowania do rozpoznawania i rozumienia obrazów.

  3. Oprogramowanie do wyszukiwania multimediów (CBIR, CBSR)

    Student wie jak funkcjonuje oprogramowanie do wyszukiwania multimediów. Student uruchomił przykładową aplikacje demonstrującą działanie oprogramowania do wyszukiwania multimediów. Student umie korzystać z oprogramowanie do wyszukiwania multimediów (CBIR, CBSR).

  4. Inteligentne systemy wspomagania decyzji

    Student wie jak funkcjonują inteligentne systemy wspomagania decyzji. Student uruchomił przykładową aplikacje demonstrującą działanie inteligentnych systemów wspomagania decyzji. Student umie korzystać z inteligentnych systemów wspomagania decyzji.

  5. Realizacja prostej aplikacji stosującej wybrane przez studentów metody sztucznej inteligencji (praca w małych grupach 3-5 osób z Matlab Neural Netw

    Student umie zaprojektować i wykonać aplikację prezentującą wybrane metody sztucznej inteligencji w zdefiniowanym przez prowadzącego obszarze problemowym .
    Studenci realizują projekt w maksymalnie trzyosobowych zespołach. Każdy zespół otrzymuje indywidualnie dobrany lub zaakceptowany projekt przez prowadzącego. Wykonanie projektu wymaga opracowanie działającej aplikacji oraz szczegółową dokumentację wykonania projektu.

  6. Działanie sieci neuronowych

    Korzystając z matlab Neural Network Toolbox student pod nadzorem prowadzącego, a nastepnie samodzielnie buduje prosty model sieci neuronowej, testuje jego własności i stosuje go do rozwiazywania wybranego problemu praktycznego

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 90 h
Module ECTS credits 4 ECTS
Participation in lectures 30 h
Realization of independently performed tasks 25 h
Participation in laboratory classes 15 h
Preparation for classes 20 h
Additional information
Method of calculating the final grade:

Średnia z ocen z: laboratorium (70%) i kolokwium zaliczeniowego (30%), przy czym obie oceny muszą być pozytywne (co najmniej 3.0)

Prerequisites and additional requirements:

Znajomość jednego ze środowisk oprogramowania matematycznego, preferowany matlab. Pomocna będzie również znajomość języka Java.
Znajomość matematyki i statystyki na poziomie studiów inżynierskich z Inżynierii Akustycznej.

Recommended literature and teaching resources:

1. S.Russel, P. Norvig (2009). Artificial Intelligence: A Modern Approach (3rd Edition), Prentice Hall, URL: aima.cs.berkeley.edu
2. J.P. Serra (1995). Image Analysis & Mathematical Morphology. Academic Press.
3. A.M.J. Skulimowski (2013). Selected methods and applications of multicriteria decision support systems. Wyd. AGH, Kraków
4. R. Tadeusiewicz (2009). Neurocybernetyka teoretyczna, Warszawa: Wydawnictwa UW

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

Additional scientific publications not specified

Additional information:

None