Module also offered within study programmes:
General information:
Name:
Computational Intelligence Methods
Course of study:
2018/2019
Code:
JIS-1-605-s
Faculty of:
Physics and Applied Computer Science
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 inż. Łukasik Szymon (slukasik@agh.edu.pl)
Academic teachers:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Module summary

Celem zajęć jest zapoznanie studentów z podstawowymi metodami inteligencji obliczeniowej oraz przykładami ich użycia w rozmaitych zagadnieniach aplikacyjnych.

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 potrafi w sposób odpowiedzialny planować i realizować prace w zespole wymagające działań o charakterze twórczym IS1A_K01 Project
Skills
M_U001 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm sztucznej inteligencji oraz potrafi ustalić jego parametry IS1A_U06, IS1A_U02 Execution of laboratory classes,
Execution of a project
M_U002 Student potrafi zastosować podstawowe narzędzia sztucznej inteligencji w problemach technicznych oraz podsumować wyniki swojej pracy w czytelnej i zwięzłej formie IS1A_U07, IS1A_U06, IS1A_U01, IS1A_U02 Execution of laboratory classes,
Execution of a project
Knowledge
M_W001 Student posiada wiedzę w zakresie podstaw zbiorów liczb i wnioskowania rozmytego, sztucznych sieci neuronowych i algorytmów ewolucyjnych. IS1A_W01, IS1A_W04 Execution of laboratory classes,
Project
M_W002 Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania sieci neuronowych, wnioskowania rozmytego i algorytmów ewolucyjnych. IS1A_W01, IS1A_W04 Execution of laboratory classes,
Project
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 potrafi w sposób odpowiedzialny planować i realizować prace w zespole wymagające działań o charakterze twórczym - - + + - - - - - - -
Skills
M_U001 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm sztucznej inteligencji oraz potrafi ustalić jego parametry - - + + - - - - - - -
M_U002 Student potrafi zastosować podstawowe narzędzia sztucznej inteligencji w problemach technicznych oraz podsumować wyniki swojej pracy w czytelnej i zwięzłej formie - - + + - - - - - - -
Knowledge
M_W001 Student posiada wiedzę w zakresie podstaw zbiorów liczb i wnioskowania rozmytego, sztucznych sieci neuronowych i algorytmów ewolucyjnych. + - - - - - - - - - -
M_W002 Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania sieci neuronowych, wnioskowania rozmytego i algorytmów ewolucyjnych. + - - - - - - - - - -
Module content
Lectures:

1. Wprowadzenie do zagadnień inteligencji obliczeniowej. Historia sztucznej
inteligencji.
2. Zbiory, liczby i wnioskowanie rozmyte.
3. Sztuczne sieci neuronowe. Uczenie sieci i zastosowanie w problemach rozpoznawania.
4. Algorytmy ewolucyjne i inne inteligentne metody poszukiwania rozwiązań optymalnych.
5. Zastosowania praktyczne algorytmów sztucznej inteligencji.
6. Temat opcjonalny: wybrane algorytmy hybrydowe.

Laboratory classes:

Ćwiczenia laboratoryjne ilustrujące treść wykładu i pozwalające na opanowanie umiejętności związanych z praktycznym wykorzystaniem metod i algorytmów sztucznej inteligencji.

Project classes:

Projekt ilustrujący treść wykładu i pozwalający na opanowanie umiejętności związanych z obsługą i praktycznym wykorzystaniem pakietu Matlab. Projekt realizowany jest w formie zespołowej.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 160 h
Module ECTS credits 6 ECTS
Participation in lectures 45 h
Participation in laboratory classes 30 h
Participation in project classes 15 h
Realization of independently performed tasks 28 h
Completion of a project 28 h
Contact hours 14 h
Additional information
Method of calculating the final grade:

Średnia ważona sprawozdań z ćwiczeń wykonanych w trakcie laboratorium (waga 2/3) oraz projektu obejmującego samodzielne rozwiązanie wybranego problemu inżynierskiego z użyciem metod sztucznej inteligencji (waga 1/3).

Prerequisites and additional requirements:

Nie podano wymagań wstępnych lub dodatkowych.

Recommended literature and teaching resources:

Rutkowski L., Metody i techniki sztucznej inteligencji, Warszawa, 2011, PWN.
Arabas J., Wykłady z algorytmów ewolucyjnych, Warszawa, 2004, WNT.
Piegat A., Modelowanie i sterowanie rozmyte, Warszawa, 1999, EXIT.
Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, Warszawa, 2001, WNT.

Scientific publications of module course instructors related to the topic of the module:
  1. S. Łukasik, P. Kowalski, “Study of Flower Pollination Algorithm for Continuous Optimization”, Intelligent Systems’ 2014, P.Angelov et al. (eds.), Springer, pp. 451-459, 2015.
  2. P.A. Kowalski, S. Łukasik, “Experimental Study of Selected Parameters of the Krill Herd Algorithm", Intelligent Systems’ 2014, P.Angelov et al.(eds.), Springer, pp.473-485, 2015.
  3. D. Falkiewicz (Gołuńska), S. Łukasik, “Modelowanie rozmyte z zastosowaniem algorytmu optymalizacji rojem cząstek”, Czasopismo Techniczne Politechniki Krakowskiej, seria: Automatyka, vol. 1-AC, pp. 41-54, 2012.
  4. S. Łukasik, P. Kulczycki, "An Algorithm for Sample and Data Dimensionality Reduction Using Fast Simulated Annealing ", Lecture Notes in Artificial Intelligence, vol. 7120, pp. 152-161, 2011.
  5. S. Łukasik, S. Żak, “Firefly Algorithm for Continuous Constrained Optimization Tasks, Lecture Notes in Artificial Intelligence”, vol. 5796, pp. 97-106, 2009.
Additional information:

Dopuszczalna jest jedna nieobecność na zajęciach laboratoryjnych i projektowych. Zajęcia można odrobić – w miarę dostępności miejsc – w innej grupie projektowej/laboratoryjnej. Student zobligowany jest w najkrótszym możliwym terminie zgłosić się do prowadzącego zajęcia w celu ustalenia terminu odrobienia zajęć

W przypadku niemożliwości odrobienia zajęć lub większej liczby nieobecności istnieje możliwość uzupełnienia nieobecności w formie indywidualnego zadania domowego.

Student który bez usprawiedliwienia opuścił więcej niż 50% zajęć i jego cząstkowe wyniki w nauce były negatywne może zostać pozbawiony przez prowadzącego zajęcia możliwości wyrównania zaległości. Od takiej decyzji prowadzącego zajęcia student może się odwołać do prowadzącego przedmiot i/lub Dziekana.