Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Sztuczna inteligencja i sensoryka
Tok studiów:
2019/2020
Kod:
EAiR-1-704-s
Wydział:
Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Automatyka i Robotyka
Semestr:
7
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Jabłoński Mirosław (mjk@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Przedmiot obejmuje zagadnienia związane z projektowaniem i budową systemów sensorycznych służących do akwizycji, przetwarzania i rozpoznawania sygnałów i obrazów z zastosowaniem technik uczenia maszynowego i sztucznej inteligencji.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Zna i rozumie podstawowe pojęcia związane z sensoryką AiR1A_W03, AiR1A_W02 Kolokwium
M_W002 Zna i rozumie podstawowe pojęcia związane ze sztuczną inteligencją AiR1A_W03 Kolokwium
M_W003 Dysponuje wiedzą z zakresu podstaw uczenia maszynowego AiR1A_W03 Kolokwium
Umiejętności: potrafi
M_U001 Posiada umiejętność doboru i wykorzystania sensorów adekwatnych do zastosowań AiR1A_U01, AiR1A_U03 Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
M_U002 Potrafi wykorzystać typowe algorytmy przetwarzania i analizy danych AiR1A_U01, AiR1A_U03, AiR1A_U07 Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
M_U003 Potrafi prawidłowo wykorzystać metody uczenia maszynowego AiR1A_U01, AiR1A_U03, AiR1A_U07 Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 Zna rolę sensoryki i sztucznej inteligencji we współczesnej rzeczywistości AiR1A_K03 Aktywność na zajęciach,
Sprawozdanie
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
28 14 0 14 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Zna i rozumie podstawowe pojęcia związane z sensoryką + - - - - - - - - - -
M_W002 Zna i rozumie podstawowe pojęcia związane ze sztuczną inteligencją + - - - - - - - - - -
M_W003 Dysponuje wiedzą z zakresu podstaw uczenia maszynowego + - - - - - - - - - -
Umiejętności
M_U001 Posiada umiejętność doboru i wykorzystania sensorów adekwatnych do zastosowań - - + - - - - - - - -
M_U002 Potrafi wykorzystać typowe algorytmy przetwarzania i analizy danych - - + - - - - - - - -
M_U003 Potrafi prawidłowo wykorzystać metody uczenia maszynowego - - + - - - - - - - -
Kompetencje społeczne
M_K001 Zna rolę sensoryki i sztucznej inteligencji we współczesnej rzeczywistości + - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 78 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 28 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (14h):

Na wykładach będą poruszane następujące zagadnienia:

  1. systemy akwizycji i formowania danych,
  2. kalibracja czujników i fuzja danych,
  3. sensoryka w systemach interaktywnych,
  4. zintegrowane układy przetwarzania danych,
  5. techniki analizy danych i ich zastosowania,
  6. uczenie nienadzorowane i analiza skupień,
  7. uczenie nadzorowane i klasyfikacja,
  8. systemy biometryczne.

Ćwiczenia laboratoryjne (14h):

Ćwiczenia laboratoryjne pozwalają studentowi rozszerzyć wiedzę przekazywaną w trakcie wykładu, nabyć związane z nią umiejętności i kompetencje poprzez wykonanie ćwiczeń laboratoryjnych oraz przygotowanie sprawozdań. Wykonywane ćwiczenia laboratoryjne dotyczą następujących zagadnień:

  1. akwizycja sygnału wizyjnego,
  2. kalibracja kamer,
  3. badanie czujników,
  4. czujniki w systemach interaktywnych,
  5. wybrane techniki analizy danych i uczenia maszynowego.
  6. systemy biometryczne,

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Na ocenę z poszczególnych ćwiczeń laboratoryjnych składają się:

  • ocena ze sprawdzianów dopuszczających do zajęć,
  • ocena z aktywności i samodzielności w wykonywaniu ćwiczenia podczas zajęć,
  • ocena z autorskich sprawozdań oddawanych nie później niż przed kolejnymi zajęciami.

Na ocenę z laboratorium składa się punktacja ze sprawozdań z wykonywanych ćwiczeń, przy czym, wszystkie ćwiczenia i sprawozdania muszą być wykonane osobiście. Niektóre ćwiczenia mogą być wykonywane przez zespoły 2-osobowe.

Wykonanie niektórych ćwiczeń może wymagać wcześniejszego przygotowania się przez studenta. Stan przygotowania jest wówczas oceniany przez prowadzącego i uwzględniany w ocenie sprawozdania. Prowadzący może nie dopuścić studenta do wykonania ćwiczenia, jeśli stopień jego przygotowania jest niewystarczający.

W przypadku braku zaliczenia z kolokwium w podstawowym terminie (termin I), Student ma możliwość zaliczenia kolokwium w dodatkowych terminach:

  • termin II w trakcie trwania zajęć, przed rozpoczęciem sesji.
  • termin III ustnie do końca podstawowej sesji egzaminacyjnej.
Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: 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.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
Sposób obliczania oceny końcowej:

Średnia ważona ocen z zajęć laboratoryjnych oraz kolokwiów z wykładu, przy czym obie oceny muszą być pozytywne (co najmniej 3.0). Wagi ustalone są następująco:

  • 0.4 dla kolokwium zaliczonego w podstawowym terminie (termin I),
  • 0.6 dla oceny z laboratorium.

W przypadku zaliczenia kolokwium w terminie II ocena końcowa nie może być wyższa niż 4.0.
W przypadku zaliczenia kolokwium w terminie III ocena końcowa nie może być wyższa niż 3.0.

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

Uczestnictwo w ćwiczeniach laboratoryjnych jest obowiązkowe. Więcej niż dwie nieobecności skutkują
negatywną oceną z całości ćwiczeń. Ew. nieobecności należy odrobić w trakcie najbliższych zajęć (zgodnie z rozkładem) po uprzednim uzgodnieniu z osoba prowadzącą ćwiczenia.

W sytuacji wystąpienia znacznej liczby nieobecności (więcej niż 2) sposób odrabiania ustalany jest indywidualnie przez prowadzącego zajęcia, zgodnie z harmonogramem zajęć pod warunkiem, że dotyczy to nieobecności usprawiedliwionych. W pozostałych przypadkach student nie uzyskuje zaliczenia z ćwiczeń.

Podstawą usprawiedliwienia nieobecności może być:

  • zwolnienie lekarskie,
  • zwolnienie wystawione przez JM Rektora Uczelni macierzystej,
  • zwolnienie wystawione przez Dziekana wydziału macierzystego.
Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :
  • Podstawowa znajomość zagadnień z zakresu przetwarzania i analizy obrazów.
  • Podstawa znajomość zagadnień z zakresu elektroniki analogowej i cyfrowej.
  • Podstawy logiki, rachunku różniczkowego, algebry.
  • Podstawowa znajomość obsługi pakietu obliczeniowego (np. Matlab) w zakresie przetwarzania danych.
  • Znajomość języków programowania wysokiego poziomu (C, C++), struktur danych i podstawowych algorytmów.
Zalecana literatura i pomoce naukowe:
  1. Koronacki J., Ćwik J., Statystyczne systemy uczące się, Wydawnictwo EXIT, Warszawa, 2008
  2. Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami.
    Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998
  3. Zakrzewski J., Czujniki i przetworniki pomiarowe. Podręcznik problemowy, Wydawnictwo Politechniki Śląskiej, Gliwice, 2004
  4. Tadeusiewicz R, Korohoda P. Komputerowa analiza i przetwarzanie obrazów, WFPT, 1997
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:
  1. M. Jabłoński, Konfiguracja sceny w systemie wizyjnym z nieruchomą kamerą, Automatyka : półrocznik Akademii Górniczo-Hutniczej im. Stanisława Staszica w Krakowie, t. 15 z. 3, ss. 119–129, 2011
  2. J. Przybyło, Vision based facial action recognition system for people with disabilities, Information Technologies in Biomedicine, Lecture Notes in Bioinformatics, Lecture Notes in Computer Science, ss. 577–588, Springer-Verlag, Heidelberg, 2012
  3. M. Jabłoński, Data fusion in Web-based visualization of 3D scene semantic model, Image Processing & Communications, vol. 18 no. 2–3, ss. 61–70, 2013
  4. J. Przybyło, Object detection and tracking for low-cost video surveillance system, Image Processing & Communications, vol. 18 no. 2–3, ss. 91–99, 2013
Informacje dodatkowe:

Zajęcia laboratoryjne są wspomagane za pomocą kursu na platformie zdalnego nauczania AGH (e-learning).