Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Metody inteligencji obliczeniowej
Tok studiów:
2018/2019
Kod:
JIS-1-605-s
Wydział:
Fizyki i Informatyki Stosowanej
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 inż. Łukasik Szymon (slukasik@agh.edu.pl)
Osoby prowadzące:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Krótka charakterystyka modułu

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

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 posiada wiedzę w zakresie podstaw zbiorów liczb i wnioskowania rozmytego, sztucznych sieci neuronowych i algorytmów ewolucyjnych. IS1A_W01, IS1A_W04 Wykonanie ćwiczeń laboratoryjnych,
Projekt
M_W002 Student posiada elementarną wiedzę w zakresie praktycznych aspektów stosowania sieci neuronowych, wnioskowania rozmytego i algorytmów ewolucyjnych. IS1A_W01, IS1A_W04 Wykonanie ćwiczeń laboratoryjnych,
Projekt
Umiejętności
M_U001 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm sztucznej inteligencji oraz potrafi ustalić jego parametry IS1A_U06, IS1A_U02 Wykonanie ćwiczeń laboratoryjnych,
Wykonanie projektu
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 Wykonanie ćwiczeń laboratoryjnych,
Wykonanie projektu
Kompetencje społeczne
M_K001 Student potrafi w sposób odpowiedzialny planować i realizować prace w zespole wymagające działań o charakterze twórczym IS1A_K01 Projekt
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 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. + - - - - - - - - - -
Umiejętności
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 - - + + - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi w sposób odpowiedzialny planować i realizować prace w zespole wymagające działań o charakterze twórczym - - + + - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

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.

Ćwiczenia laboratoryjne:

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

Ćwiczenia projektowe:

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

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 160 godz
Punkty ECTS za moduł 6 ECTS
Udział w wykładach 45 godz
Udział w ćwiczeniach laboratoryjnych 30 godz
Udział w ćwiczeniach projektowych 15 godz
Samodzielne studiowanie tematyki zajęć 28 godz
Wykonanie projektu 28 godz
Dodatkowe godziny kontaktowe z nauczycielem 14 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

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).

Wymagania wstępne i dodatkowe:

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:

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.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:
  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.
Informacje dodatkowe:

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.