Module also offered within study programmes:
General information:
Name:
Systemy eksperckie w projektowaniu maszyn
Course of study:
2019/2020
Code:
RMBM-2-108-KW-s
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Komputerowe wspomaganie projektowania
Field of study:
Mechanical Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr inż. Bera Piotr (pbera@agh.edu.pl)
Module summary

Student poznaje zasady budowania systemów eksperckich umożliwiających podejmowanie decyzji w sytuacjach niejednoznacznych, trudnych do analizy w oparciu o własne doświadczenie zawodowe.

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: is able to
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. MBM2A_K02, MBM2A_K01 Project
Skills: he can
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. MBM2A_U10, MBM2A_U01 Project
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. MBM2A_U21 Project
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. MBM2A_U10 Project
Knowledge: he knows and understands
M_W001 Student posiada ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. MBM2A_W02 Project
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. MBM2A_W05, MBM2A_W03 Project
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. MBM2A_W06 Project
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. MBM2A_W05 Project
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
40 14 0 0 26 0 0 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. + - - + - - - - - - -
Skills
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. - - - + - - - - - - -
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. - - - + - - - - - - -
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. - - - + - - - - - - -
Knowledge
M_W001 Student posiada ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. + - - - - - - - - - -
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. + - - - - - - - - - -
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. + - - - - - - - - - -
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. + - - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 115 h
Module ECTS credits 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 40 h
Preparation for classes 20 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 25 h
Realization of independently performed tasks 25 h
Contact hours 5 h
Module content
Lectures (14h):

1. Koncepcja i podstawy funkcjonowania systemów eksperckich.
2. Sztuczne sieci neuronowe (SSN) w systemach eksperckich.
3. Metoda gradientowa uczenia SSN.
4. Metoda wstecznej propagacji błędów uczenia SSN.
5. Opracowanie bazy danych uczących.
6. Dobór funkcji przeniesienia.
7. Wybór początkowych wartości wag.
8. Analiza zmienności współczynnika uczenia.
9. Przyspieszanie procesu uczenia.
10. Dobór liczby warstw i neuronów.
11. Analiza długości procesu uczenia.
12. Ocena błędu metody sztucznych sieci neuronowych.
13, 14. Przykłady praktycznych zastosowań sztucznych sieci neuronowych.
15. Zaliczenie przedmiotu.

Project classes (26h):

1, 2. Uczenie liniowego neuronu.
3, 4. Uczenie nieliniowego neuronu.
5, 6. Metoda wstecznej propagacji błędów.
7, 8. Obsługa pakietu NN Toolbox w programie Matlab.
9 – 12. Programowanie SSN (w programie Matlab).
13 – 15. Programowanie SSN (w programie Matlab).

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Project classes: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczenie ćwiczeń projektowych odbywa się na drodze realizacji programu komputerowego będącego systemem eksperckim. Podstawowym terminem oddania projektu są ostanie zajęcia w semestrze.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Project classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
Method of calculating the final grade:

Ocena na podstawie wykonanego projektu. Uwzględniana jest obecność na wykładach.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Student odrabia zajęcia z inną grupą projektową. Jeśli nie ma takiej możliwości, to zaległości merytoryczne muszą być nadrobione we własnym zakresie. Dopuszczalna jest jedna nieusprawiedliwiona nieobecność w semestrze na ćwiczeniach projektowych i nie wpływa ona na ocenę. Większa liczba nieobecności uniemożliwia uzyskanie zaliczenia.

Prerequisites and additional requirements:

Wymagana podstawowa wiedza z zakresu:
1. matematyki
2. obsługi programu Matlab (operacje na macierzach, pętle: for, if, itp.).
3. bardzo dobra znajomość programu Excel.

Recommended literature and teaching resources:

Literatura:
1. R. Tadeusiewicz: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
2. Lenkiewicz W., Szybka J. (red.): Problemy badawcze w eksploatacji wybranych obiektów
technicznych. PAN, PNTTE, Warszawa 2010.
3. Hagan M. T., Demuth H. B., Beale M. H.: Neural network design, 1995.

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

1. The use of artificial neural networks trained in supervised mode to the analysis of measurement data of combustion engines and automotive vehicles — Zastosowanie sztucznych sieci neuronowych uczonych w sposób nadzorowany do analizy danych pomiarowych z badań silników spalinowych i samochodów / Piotr BERA // W: Silniki spalinowe i ekologia : praca zbiorowa : opracowanie monograficzne / pod red. Władysława Mitiańca ; Politechnika Krakowska im. Tadeusza Kościuszki. — Kraków : Wydawnictwo PK, cop. 2014. — ISBN: 978-83-7242-763-2. — S. 193–204. — Bibliogr. s. 203.
2. Zastosowanie sieci neuronowych do oceny zużycia paliwa przez samochód — Application of neural networks for evaluation of the fuel consumption by car / Piotr BERA, Robert PILCH, Jan SZYBKA // Czasopismo Techniczne = Technical Transactions / Politechnika Krakowska ; ISSN 0011-4561. Mechanika = Mechanics ; ISSN 1897-6328. — 2012 R. 109 z. 14 7–M, s. 33–40. — Bibliogr. s. 40, Streszcz., Abstr.

Additional information:

Brak.