Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Wprowadzenie do sztucznej inteligencji
Tok studiów:
2019/2020
Kod:
HIFS-2-118-s
Wydział:
Humanistyczny
Poziom studiów:
Studia II stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
1
Profil:
Praktyczny (P)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

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

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 Student posiada wiedzę w zakresie podstaw pojęć z zakresu zbiorów rozmytych, sztucznych sieci neuronowych i algorytmów ewolucyjnych. IFS2P_W01 Kolokwium
Umiejętności: potrafi
M_U001 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm sztucznej inteligencji oraz potrafi wstępnie ustalić jego bazowe parametry. IFS2P_U11, IFS2P_U12 Kolokwium
M_U002 Student potrafi zastosować podstawowe narzędzia sztucznej inteligencji w problemach technicznych oraz podsumować wyniki swojej pracy w czytelnej i zwięzłej formie. IFS2P_U11, IFS2P_U12 Kolokwium
Kompetencje społeczne: jest gotów do
M_K001 Student ma świadomość złożoności relacji pomiędzy technologią a światem społecznym. IFS2P_K02 Aktywność na zajęciach
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
15 15 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 Student posiada wiedzę w zakresie podstaw pojęć z zakresu zbiorów rozmytych, sztucznych sieci neuronowych i algorytmów ewolucyjnych. + - - - - - - - - - -
Umiejętności
M_U001 Student umie, na podstawie uwarunkowań problemu, wybrać odpowiednią metodę/algorytm sztucznej inteligencji oraz potrafi wstępnie ustalić jego bazowe 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 ma świadomość złożoności relacji pomiędzy technologią a światem społecznym. + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 25 godz
Punkty ECTS za moduł 1 ECTS
Udział w zajęciach dydaktycznych/praktyka 15 godz
Samodzielne studiowanie tematyki zajęć 8 godz
Egzamin lub kolokwium zaliczeniowe 1 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (15h):
Wykład z tematyki związanej z podstawowymi procedurami inteligencji obliczeniowej

1. Wprowadzenie do zagadnień inteligencji obliczeniowej. Historia sztucznej
inteligencji.
2. Podstawy zbiorów rozmytych i ich zastosowanie.
3. Neuron oraz sztuczne sieci neuronowe. Uczenie sieci i zastosowanie w podstawowych problemach techniki.
4. Algorytmy ewolucyjne i inne inteligentne metody poszukiwania rozwiązań optymalnych.
5. Zastosowania praktyczne algorytmów sztucznej inteligencji.

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:

Zaliczenie odbywa się w formie kolokwium. Drugi termin zaliczenia w sesji i trzeci termin w sesji poprawkowej będą miały taki sam zakres i formę.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – 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:

Na postawie kolokwium obejmującego tematykę metod sztucznej inteligencji.
Drugi termin zaliczenia w sesji i trzeci termin w sesji poprawkowej będą miały taki sam zakres i formę.

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

Zaległości student może nadrobić w oparciu o literaturę zaleconą przez wykładowcę. Powstałe zaległości student zalicza w terminie ustalonym z wykładowcą.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

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:

- P. A. Kowalski and K. Maciej. “Determining Significance of Input Neurons for Probabilistic Neural Network by Sensitivity Analysis Procedure”. Computational Intelligence 2018.
- P. A. Kowalski and K. Maciej. “Sensitivity Analysis for Probabilistic Neural Network Structure Reduction”, IEEE Transactions on Neural Networks and Learning Systems, vol.29(5), pp. 1919–1932, 2018.
- M. Kusy and P. A. Kowalski. “Weighted Probabilistic Neural Network”. Information Sciences vol. 430–43, pp. 65–76, 2018.
- P.A. Kowalski, „Evolutionary Strategy for the Fuzzy Flip-Flop Neural Networks Supervised Learning Procedure”, 12th International Conference on Artificial Intelligence and Soft Computing, Zakopane (Po-land), 9-13 June 2013.
- 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.
- 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.
Doświadczenie ptraktyczne:
Ekspert w Ekspert we współfinansowanym przez UE projekcie “Foresight: automatic control, robotics, measurement technology”.
Ekspert w projekcie współfinansowanym przez UE “Technology Perspective Krakow-Malopolska 2020”.

Informacje dodatkowe:

Dopuszczalna jest jedna nieobecność na zajęciach. Student zobligowany jest w najkrótszym możliwym terminie zgłosić się do prowadzącego zajęcia w celu ustalenia terminu i zakresu 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 może zostać pozbawiony przez prowadzącego zajęcia możliwości wyrównania zaległości. Od takiej decyzji prowadzącego zajęcia student może się odwołać do prowadzącego przedmiot i/lub Dziekana.