Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Expert systems
Tok studiów:
2019/2020
Kod:
EAiR-1-723-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:
Angielski
Forma studiów:
Stacjonarne
Prowadzący moduł:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

This course will familiarize students with the basic principles and methods of expert systems, in particular with the expert systems architecture, classification and most relevant applications. The listeners will aquire knowledge on inference engines, knowledge bases, uncertainty management, intelligent user interfaces, expert information fusion and other topics that will allow them to become efficient expert systems users.

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 Students can design an expert system's composed of a knowledge base, inference engine, recommendation procedure and GUI. Student potrafi zaprojektować system ekspercki złożony z bazy wiedzy, silnika wnioskującego, procedury rekomendującej i interfejsu użytkownika AiR1A_W04 Kolokwium
M_W002 Students know relevant reeasoning methods used in rule-based expert systems and how to verify the consistency of rules Student zna najważniejsze metody wnioskowania stosowane w regułowych systemach eksperckich i umie weryfikować poprawność zbioru reguł AiR1A_W04 Kolokwium
Umiejętności: potrafi
M_U001 Students can select an appropriate expert system's to solve a given problem in their area of professional interests Student potrafi dobrać odpowiedni system ekspercki do konkretnego zastosowania z zakresu związanym ze swoim profile zawodowym jako inżyniera Automatyka AiR1A_U01, AiR1A_U09 Prezentacja
Kompetencje społeczne: jest gotów do
M_K001 Student potrafi uczestniczyć w zespołowym zadaniu przetwarzania wiedzy przy pomocy systemu eksperckiego, weryfikacji i fuzji informacji AiR1A_K01, AiR1A_K03 Prezentacja
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 28 0 0 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 Students can design an expert system's composed of a knowledge base, inference engine, recommendation procedure and GUI. Student potrafi zaprojektować system ekspercki złożony z bazy wiedzy, silnika wnioskującego, procedury rekomendującej i interfejsu użytkownika + - - - - - - - - - -
M_W002 Students know relevant reeasoning methods used in rule-based expert systems and how to verify the consistency of rules Student zna najważniejsze metody wnioskowania stosowane w regułowych systemach eksperckich i umie weryfikować poprawność zbioru reguł + - - - - - - - - - -
Umiejętności
M_U001 Students can select an appropriate expert system's to solve a given problem in their area of professional interests Student potrafi dobrać odpowiedni system ekspercki do konkretnego zastosowania z zakresu związanym ze swoim profile zawodowym jako inżyniera Automatyka + - - - - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi uczestniczyć w zespołowym zadaniu przetwarzania wiedzy przy pomocy systemu eksperckiego, weryfikacji i fuzji informacji + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 85 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 28 godz
Przygotowanie do zajęć 10 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 30 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (28h):
An application-oriented introduction to modern expert systems and the underlying AI methods

1. Introduction to expert systems (ES) as one of the AI cornerstones: basic notions and trends, natural vs. artificial expertise
2. Principles of expert systems architecture, design, and classification
3. Knowledge bases as a major component of ES, knowledge representation, description logics and ontologies,
4. Foundations of ES logics, production rules, inference models and causation, rule-based ES
5. ES inference engines: forward and backward rule processing in diagnostic systems – practical issues, introduction to Prolog programming
6. Case-based reasoning principles and their integration with diagnostic ES
7. Uncertainty modeling in expert systems: probabilistic inference rules, Bayesian networks, fuzzy numbers, sets and rules, rough sets
8. Uncertain knowledge representation: Hartley information measures, Möbius transform, belief functions and Dempster-Shafer possibility theory
9. Methods of reasoning about the future: probabilistic and fuzzy anticipatory networks
10. Trust and credibility management in ES. Principles of trust- and credibility based information fusion in ES: linking human and artificial ES expertise in a single information processing models
11. Neural computing in ES. Feedforward networks and backpropagation, self-organizing maps (SOM)
12. Intelligent decision analysis in ES. The bridge to IDSS: recommendations and their further use in IDSS
13. Salient applications of ES in medicine, business rule processing, technical diagnostics, and others
14. Global expert systems (GES) and global brain: the perspectives of ES and their fusion with human brains.
Future prospects of ES methods and applications (moderated seminars)

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.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Students receive grades for the presentation and the final examination or report. The report presenting a solution to an expert-system-related problem can be prepared as a homework by those students who actively attended at least 85% of all lectures and received the grade at least 4,5 from the presentation
In case of the grade 2,0, students have the right to pass the examination for the second time on a day specified at least 7 days beforehand.

Zaliczenie na podstawie prezentacji i kolokwium końcowego lub pracy zaliczeniowej. Pracę zaliczeniową zamiast kolokwium mogą przygotować studenci którzy uczestniczyli w 85% wszystkich wykładów i wykazali się podczas nich aktywnością oraz przygotowali prezentację ocenioną co najmniej na 4,5.
Ocena za prezentację łączona jest z oceną za kolokwium zgodnie z zasadami ważenia ocen wskazanymi w kolejnym punkcie sylabusa, a w przypadku otrzymania oceny niedostatecznej, jej poprawa następuje w postaci kolokwium poprawkowego w terminie w sesji poprawkowej, ustalonym do końca semestru.

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.
Sposób obliczania oceny końcowej:

The grade for the final examination will be granted based on the number of points received, according to the rule that 50% of the maximum no. of points is necessary to pass the examination (grade 3,0). All other grades are assigned according to the linear scale.
The final grade is the weighted average of these grades calculated according to the formula:

Final grade= 0,2*(presentation grade) + 0,8*(report or examination grade)

Ocena z kolokwium oparta jest na ilości punktów za poszczególne zadania, przy czym do otrzymania oceny 3,0 konieczne jest uzyskanie 50% maksymalnej ilości punktów, a inne oceny (3,5 – 5) wyznaczane są wg standardowej skali liniowej. Ocena końcowa jest średnią ważoną ocen za kolokwium i prezentację zgodnie ze wzorem:
OK=0,8*(ocena z kolokwium) + 0,2*(ocena za prezentację).

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

In case of absence from reasons independent from the student, such as illness or injury, the students may benefit from additional consulting hours with the lecturer.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach określony będzie zgodnie z Regulaminem Studiów AGH. Studenci, których nieobecności powstały z powodu choroby i innych niezależnych od nich zdarzeń losowych będą mogli skorzystać z dodatkowych konsultacji z prowadzącym zajęcia.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

The knowledge of logic, algebra, probability, and higher-level comouter programming languages are the necessary prerequisities to fully benefit from this course.

Niezbędna jest znajomość logiki, algebry i rachunku prawdopodobieństwa w zakresie wykładanym na studiach I st. AiR, a także znajomość zasad programowania w językach wyższego rzędu

Zalecana literatura i pomoce naukowe:

1. S. Russel, P. Norvig (2009). Artificial Intelligence: A Modern Approach (3rd Edition), Prentice Hall, URL: aima.cs.berkeley.edu
2. A.M.J. Skulimowski (2019). Selected methods and applications of multicriteria optimization. Komitet Automatyki i Robotyki PAN, Nr 19, Wyd. AGH, Kraków, s.380
3. A.M.J. Skulimowski (2014). Anticipatory network models of multicriteria decision-making processes. International Journal of Systems Science 45(1), 39-59, http://www.tandfonline.com/doi/full/10.1080/00207721.2012.670308
4. Andrzej M.J. Skulimowski (2013). Universal Intelligence, Creativity, and Trust in Emerging Global Expert Systems. In: Rutkowski, L.; Korytkowski, M.; Scherer, R.; Tadeusiewicz, R.; Zadeh, L.A.; Zurada, J.M. (Eds.). Artificial Intelligence and Soft Computing. 12th International Conference, ICAISC 2013, Zakopane, Poland, June 9-13, 2013, Proceedings, Part II. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence 7895, Springer-Verlag, pp.582-592, https://doi.org/10.1007/978-3-642-38610-7_53
5. Andrzej M.J. Skulimowski (2017a). Cognitive content recommendation in digital knowledge repositories – a survey of recent trends. W: Artificial Intelligence and Soft Computing: 16th International Conference (ICAISC 2017), Zakopane, Poland, June 11–15, 2017, proceedings, Part 2, eds. Leszek Rutkowski et al., —: Springer International Publishing, Switzerland. Lecture Notes in Computer Science, LNAI 10246, s. 574–588, https://doi.org/10.1007/978-3-319-59060-8_52
6. A.M.J. Skulimowski (2017b). Expert Delphi Survey as a Cloud-Based Decision Support Service, IEEE 10th International conference on Service-Oriented Computing and Applications SOCA 2017, 22–25 Nov. 2017, Kanazawa, Japan. IEEE, Piscataway, s. 190–197, http://ieeexplore.ieee.org/document/8241542.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Andrzej M. J. SKULIMOWSKI (2012). Discovering complex system dynamics with intelligent data retrieval tools. W: Intelligent Science and Intelligent Data Engineering: second Sino-foreign-interchange workshop, IScIDE 2011 : Xi’an, China, October 23–25, 2011: revised selected papers, red. Yanning Zhang [et al.]. Berlin, Heidelberg: Springer-Verlag, Lecture Notes in Computer Science 7202, pp. 614–626. http://link.springer.com/chapter/10.1007%2F978-3-642-31919-8_78
2. Andrzej M.J. Skulimowski (2013). Universal Intelligence, Creativity, and Trust in Emerging Global Expert Systems. In: Rutkowski, L.; Korytkowski, M.; Scherer, R.; Tadeusiewicz, R.; Zadeh, L.A.; Zurada, J.M. (Eds.). Artificial Intelligence and Soft Computing. 12th International Conference, ICAISC 2013, Zakopane, Poland, June 9-13, 2013, Proceedings, Part II. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence 7895, Springer-Verlag, pp. 582-592, https://doi.org/10.1007/978-3-642-38610-7_53
3. Andrzej M.J. SKULIMOWSKI (2014a). An insight into the evolution of intelligent information processing technologies until 2025. In: IISA 2014: 5th International Conference on Information, Intelligence, Systems and Applications: 7–9 July 2014, Chania, Crete, Greece. IEEE, Piscataway, pp. 343–348. http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6878810
4. Andrzej M.J. SKULIMOWSKI (2014b). Anticipatory network models of multicriteria decision-making processes, International Journal of Systems Science, Vol. 45 (1), 39-59, DOI:10.1080/00207721.2012.670308, JCR, [http://www.tandfonline.com/doi/full/10.1080/00207721.2012.670308, dostęp z konta BG AGH]
5. Andrzej M.J. SKULIMOWSKI (2016a). Impact of future intelligent information technologies on the methodology of scientific research. In: Proceedings 16th IEEE International Conference on Computer and Information Technology, Nadi, Fiji, IEEE CPS, pp. 238–247, 7–10 December 2016. doi: 10.1109/CIT.2016.118
6. Andrzej M.J. SKULIMOWSKI (2016b). The role of creativity in the development of future intelligent decision technologies. In: Knowledge, information and creativity support systems: recent trends, advances and solutions: selected papers from KICSS’2013 – 8th international conference on Knowledge, Information, and Creativity Support Systems, November 7-9, 2013, Kraków, Poland, eds. Andrzej M. J. Skulimowski, Janusz Kacprzyk. Advances in Intelligent Systems and Computing, vol. 364, Springer International Publishing, Switzerland, ISBN: 978-3-319-19089-1, pp. 279–297, https://doi.org/10.1007/978-3-319-19090-7_22.
7. Andrzej M.J. Skulimowski (2017a). Cognitive content recommendation in digital knowledge repositories – a survey of recent trends. W: Artificial Intelligence and Soft Computing: 16th International Conference (ICAISC 2017), Zakopane, Poland, June 11–15, 2017, proceedings, Part 2, eds. Leszek Rutkowski et al., —: Springer International Publishing, Switzerland. Lecture Notes in Computer Science, LNAI 10246, s. 574–588, https://doi.org/10.1007/978-3-319-59060-8_52
8. A.M.J. Skulimowski (2017b). Expert Delphi Survey as a Cloud-Based Decision Support Service, IEEE 10th International conference on Service-Oriented Computing and Applications SOCA 2017, 22–25 Nov. 2017, Kanazawa, Japan. IEEE, Piscataway, s. 190–197, http://ieeexplore.ieee.org/document/8241542.
9. Andrzej M.J. SKULIMOWSKI (2018a). Anticipatory networks. W: Poli R. (ed.), Handbook of anticipation: theoretical and applied aspects of the use of future in decision making. Springer International Publishing AG, Cham, s. 1–36. https://goo.gl/rd3ktp
10. Andrzej M.J. SKULIMOWSKI (2018b). Strategy building for a knowledge repository with a novel expert information fusion tool. In: 6th International Conference on Future-Oriented Technology Analysis (FTA): Future in the making : 4-5 June 2018, Brussels. pp.1–15, https://ec.europa.eu/jrc/sites/jrcsh/files/fta2018-paper-c2-skulimowski.pdf

Informacje dodatkowe:

Students are invited to participate in expert-system-related research carried out by the Student Scientific Society on Financial Modelling (www.knwmf.agh.edu.pl)

Studenci mogą rozwijać swoje zainteresowania naukowe związane z tematyką przedmiotu w Kole Naukowym Modelowania w Finansach (www.knwmf.agh.edu.pl)