Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Podstawy sztucznej inteligencji
Tok studiów:
2019/2020
Kod:
RIAK-2-304-DH-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Drgania i Hałas w Technice i Środowisku
Kierunek:
Inżynieria Akustyczna
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
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

Najważniejsze pojęcia, metody i zastosowania sztucznej inteligencji, Inteligencja rozproszona, zbiorowa, sieciowa. Sieci i obliczenia neuronowe, uczenie maszynowe. Systemy autonomiczne i antycypacyjne

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 pojęcia związane ze sztuczną inteligencją IAK2A_W04, IAK2A_W01 Kolokwium,
Aktywność na zajęciach
M_W002 Zna i rozumie rozszerzony zestaw pojęć związanych ze sztuczną inteligencją IAK2A_W04, IAK2A_W01 Kolokwium,
Aktywność na zajęciach
M_W003 Zna zalety i ograniczenia w stosowaniu metod sztucznej inteligencji w obszarach zastosowań istotnych z punktu widzenia absolwenta kierunku "Inżynieria Akustyczna" IAK2A_W04, IAK2A_W01, IAK2A_W03 Kolokwium,
Aktywność na zajęciach,
Prezentacja
M_W004 Dysponuje wiedzą na temat wybranych metod sztucznej inteligencji i potrafi je stosować IAK2A_W04, IAK2A_W01, IAK2A_W08, IAK2A_W03 Kolokwium,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji możliwości wykorzystania metod sztucznej inteligencji do rozwiązywania problemów związanych z przetwarzaniem sygnałów IAK2A_U21, IAK2A_U06, IAK2A_U10, IAK2A_U17, IAK2A_U18, IAK2A_U09, IAK2A_U08, IAK2A_U02, IAK2A_U12 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach,
Prezentacja
M_U002 Potrafi zaimplementować wybrane metody sztucznej inteligencji IAK2A_U21, IAK2A_U06, IAK2A_U09, IAK2A_U02 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania szerokiej klasy problemów z wykorzystaniem metod sztucznej inteligencji IAK2A_U21, IAK2A_U18, IAK2A_U09, IAK2A_U08 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
M_U004 Potrafi zaprojektować prostą sztuczną sieć neuronową oraz wykorzystać do jej implementacji "Neural Networks Toolbox" w środowisku programistycznym Matlab w celu rozwiązania problemów związanych z przetwarzaniem i rozpoznawaniem sygnałów akustycznych i wizyjnych IAK2A_U21, IAK2A_U18, IAK2A_U09 Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 Samodzielnie lub w zespole rozszerza wiedzę specjalistyczną z zakresu podstaw sztucznej inteligencji w oparciu o podstawowy zestaw pojęciowy IAK2A_K07, IAK2A_K05, IAK2A_K04, IAK2A_K02, IAK2A_K03 Wykonanie ćwiczeń laboratoryjnych,
Kolokwium,
Aktywność na zajęciach,
Zaangażowanie w pracę zespołu
M_K002 Potrafi zaprogramować rozwiązanie zadanego problemu przez mały zespół, dokonać podziału pracy w zespole oraz poprawnie przygotować dokumentację wykonanych w zespole zadań ćwiczeniowych IAK2A_K05, IAK2A_K02 Wykonanie ćwiczeń laboratoryjnych,
Kolokwium,
Aktywność na zajęciach
M_K003 Potrafi przygotować w małym zespole prezentację rozwiązania zadanego problemu oraz przedstawić ją w sposób zrozumiały dla słuchaczy o znanych prezenterowi kompetencjach wraz z dodatkowymi wyjaśnieniami przekazywanymi podczas dyskusji IAK2A_K07, IAK2A_K05, IAK2A_K02
M_K004 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem zespołowej implementacji rozwiązania rzeczywistego problemu z wykorzystaniem poznanych metod sztucznej inteligencji IAK2A_K07, IAK2A_K05, IAK2A_K02 Wykonanie ćwiczeń laboratoryjnych,
Kolokwium,
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
42 28 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 pojęcia związane ze sztuczną inteligencją + - - - - - - - - - -
M_W002 Zna i rozumie rozszerzony zestaw pojęć związanych ze sztuczną inteligencją + - - - - - - - - - -
M_W003 Zna zalety i ograniczenia w stosowaniu metod sztucznej inteligencji w obszarach zastosowań istotnych z punktu widzenia absolwenta kierunku "Inżynieria Akustyczna" + - - - - - - - - - -
M_W004 Dysponuje wiedzą na temat wybranych metod sztucznej inteligencji i potrafi je stosować + - - - - - - - - - -
Umiejętności
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji możliwości wykorzystania metod sztucznej inteligencji do rozwiązywania problemów związanych z przetwarzaniem sygnałów - - + - - - - - - - -
M_U002 Potrafi zaimplementować wybrane metody sztucznej inteligencji - - + - - - - - - - -
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania szerokiej klasy problemów z wykorzystaniem metod sztucznej inteligencji - - + - - - - - - - -
M_U004 Potrafi zaprojektować prostą sztuczną sieć neuronową oraz wykorzystać do jej implementacji "Neural Networks Toolbox" w środowisku programistycznym Matlab w celu rozwiązania problemów związanych z przetwarzaniem i rozpoznawaniem sygnałów akustycznych i wizyjnych - - + - - - - - - - -
Kompetencje społeczne
M_K001 Samodzielnie lub w zespole rozszerza wiedzę specjalistyczną z zakresu podstaw sztucznej inteligencji w oparciu o podstawowy zestaw pojęciowy + - + - - - - - - - -
M_K002 Potrafi zaprogramować rozwiązanie zadanego problemu przez mały zespół, dokonać podziału pracy w zespole oraz poprawnie przygotować dokumentację wykonanych w zespole zadań ćwiczeniowych + - + - - - - - - - -
M_K003 Potrafi przygotować w małym zespole prezentację rozwiązania zadanego problemu oraz przedstawić ją w sposób zrozumiały dla słuchaczy o znanych prezenterowi kompetencjach wraz z dodatkowymi wyjaśnieniami przekazywanymi podczas dyskusji + - + - - - - - - - -
M_K004 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem zespołowej implementacji rozwiązania rzeczywistego problemu z wykorzystaniem poznanych metod sztucznej inteligencji - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 102 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 42 godz
Przygotowanie do zajęć 28 godz
Samodzielne studiowanie tematyki zajęć 32 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (28h):
  1. Wprowadzenie do sztucznej inteligencji

    Wprowadzenie do sztucznej inteligencji, pojęcia podstawowe, trendy rozwojowe, inteligencja naturalna, a „sztuczna”

  2. Systemy kognitywne

    Systemy kognitywne, autonomiczne, sieci neuronowe. Inteligencja rozproszona, zbiorowa, sieciowa

  3. Sieci neuronowe

    Obliczenia w sieciach neuronowych, architektury sztucznych sieci neuronowych, sieci Kohonena (SOM)

  4. Metody modelowania niepewności stosowane w systemach eksperckich

    Metody modelowania niepewności stosowane w systemach eksperckich: reguły probabilistyczne i sieci Bayesowskie: teoria zbiorów rozmytych (fuzzy sets), zbiory przybliżone (rough sets)

  5. Metody modelowania niepewności (II)

    Metody modelowania niepewności (II): miary Hartleya, transformacja Möbiusa, teoria możliwości Dempstera-Shafera

  6. Architektura informatyczna systemów eksperckich

    Architektura informatyczna systemów eksperckich, bazy wiedzy

  7. Przetwarzanie reguł logicznych w systemach diagnostycznych

    Przetwarzanie reguł logicznych w systemach diagnostycznych

  8. Reprezentacja wiedzy

    Reprezentacja wiedzy, ontologie, rozpoznawanie i rozumienie sygnałów akustycznych

  9. Rozpoznawanie i rozumienie obrazów

    Rozpoznawanie i rozumienie obrazów: metody semantyczne i syntaktyczne, metody badania odległości od wzorców, rozpoznawanie relacji pomiędzy obiektami obrazu

  10. Wyszukiwanie informacji multimedialnej

    Wyszukiwanie informacji multimedialnej (audio, video, tekst) w oparciu o automatyczną interpretację treści (CBIR, CBSR)

  11. Metody inteligentnej analizy decyzji

    Metody inteligentnej analizy decyzji, trzy poziomy swobody wyboru decyzji, systemy autonomiczne

  12. Inteligentne systemy wspomagania decyzji (I-SWD)

    Inteligentne systemy wspomagania decyzji (I-SWD)

  13. Wykrywanie i analiza preferencji

    Wykrywanie i analiza preferencji, zastosowania w IDSS i rekomenderach, rekomendery audiowizualne

  14. Systemy i sieci antycypacyjne

    Systemy i sieci antycypacyjne: budowa sieci antycypacyjnych. Antycypacja, a problem sztucznej świadomości.

  15. Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji

    Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji

  16. Systemy i sieci antycypacyjne

    Systemy i sieci antycypacyjne: budowa sieci antycypacyjnych jako modeli problemów decyzyjnych. Antycypacja, a problem sztucznej świadomości.

  17. Systemy kognitywne

    Systemy kognitywne, autonomiczne, sieci neuronowe. Inteligencja rozproszona, zbiorowa, sieciowa

  18. Architektura informatyczna systemów eksperckich

    Klasyfikacja i architektura informatyczna systemów eksperckich, bazy wiedzy

  19. Metody inteligentnej analizy decyzji

    Metody inteligentnej analizy decyzji, trzy poziomy swobody wyboru decyzji, teoria inteligentnych systemów autonomicznych i jej zastosowania w robotyce autonomicznej

  20. Inteligentne systemy wspomagania decyzji (I-SWD)

    Inteligentne systemy wspomagania decyzji (I-SWD) stosujące metody modelowania preferencji decydenta oraz metody analizy wielokryterialnej

  21. Przetwarzanie reguł logicznych w systemach diagnostycznych

    Przetwarzanie reguł logicznych w systemach diagnostycznych wraz z przykładami zastosowań w medycynie oraz do rozpoznawania sygnałów akustycznych i wizyjnych

  22. Reprezentacja wiedzy

    Reprezentacja wiedzy, ontologie, rozpoznawanie i rozumienie sygnałów akustycznych

  23. Wyszukiwanie informacji multimedialnej

    Wyszukiwanie informacji multimedialnej (audio, video, tekst) w oparciu o automatyczną interpretację treści (CBIR, CBSR) oraz uczenie maszynowe preferencji podczas wyszukiwania

  24. Rozpoznawanie i rozumienie obrazów

    Rozpoznawanie i rozumienie obrazów: metody semantyczne i syntaktyczne, metody badania odległości od wzorców, rozpoznawanie relacji pomiędzy obiektami obrazu

  25. Wykrywanie i analiza preferencji

    Wykrywanie i analiza preferencji, zastosowania w IDSS i rekomenderach, rekomendery audiowizualne

  26. Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji

    Perspektywy dalszego rozwoju metod i zastosowań sztucznej inteligencji: wstęp do Artificial General Intelligence, Human-Level AI i inne prognozy

  27. Sieci neuronowe

    Obliczenia w sztucznych sieciach neuronowych, architektury sztucznych sieci neuronowych, sieci wielowarstwowe, sieci Kohonena (SOM)

  28. Metody modelowania niepewności stosowane w systemach eksperckich

    Metody modelowania niepewności stosowane w systemach eksperckich: reguły probabilistyczne i sieci Bayesowskie: teoria zbiorów rozmytych (fuzzy sets), zbiory przybliżone (rough sets)

  29. Wprowadzenie do sztucznej inteligencji

    Wprowadzenie do sztucznej inteligencji, pojęcia podstawowe, trendy rozwojowe, inteligencja naturalna, a „sztuczna”

  30. Metody modelowania niepewności (II)

    Metody modelowania niepewności (II): miary Hartleya, transformacja Möbiusa, teoria możliwości Dempstera-Shafera

Ćwiczenia laboratoryjne (14h):
  1. Funkcjonowanie regułowych systemów diagnostycznych

    Student wie jak funkcjonują regułowe systemy diagnostyczne. Student uruchomił przykładową aplikacje demonstrującą działanie regułowego systemu diagnostycznego. Student umie korzystać z regułowych systemów diagnostycznych.

  2. Oprogramowanie do rozpoznawania i rozumienia obrazów

    Student wie jak funkcjonuje oprogramowanie do rozpoznawania i rozumienia obrazów. Student uruchomił przykładową aplikacje demonstrującą działanie skryptu Matlab rozpoznającego i rozumiejącego obrazy. Student umie korzystać z oprogramowania do rozpoznawania i rozumienia obrazów.

  3. Oprogramowanie do wyszukiwania multimediów (CBIR, CBSR)

    Student wie jak funkcjonuje oprogramowanie do wyszukiwania multimediów. Student uruchomił przykładową aplikacje demonstrującą działanie oprogramowania do wyszukiwania multimediów. Student umie korzystać z oprogramowanie do wyszukiwania multimediów (CBIR, CBSR).

  4. Inteligentne systemy wspomagania decyzji

    Student wie jak funkcjonują inteligentne systemy wspomagania decyzji. Student uruchomił przykładową aplikacje demonstrującą działanie inteligentnych systemów wspomagania decyzji. Student umie korzystać z inteligentnych systemów wspomagania decyzji.

  5. Realizacja prostej aplikacji stosującej wybrane przez studentów metody sztucznej inteligencji (praca w małych grupach 3-5 osób z Matlab Neural Netw

    Student umie zaprojektować i wykonać aplikację prezentującą wybrane metody sztucznej inteligencji w zdefiniowanym przez prowadzącego obszarze problemowym .
    Studenci realizują projekt w maksymalnie trzyosobowych zespołach. Każdy zespół otrzymuje indywidualnie dobrany lub zaakceptowany projekt przez prowadzącego. Wykonanie projektu wymaga opracowanie działającej aplikacji oraz szczegółową dokumentację wykonania projektu.

  6. Działanie sieci neuronowych

    Korzystając z matlab Neural Network Toolbox student pod nadzorem prowadzącego, a nastepnie samodzielnie buduje prosty model sieci neuronowej, testuje jego własności i stosuje go do rozwiazywania wybranego problemu praktycznego

  7. Oprogramowanie do rozpoznawania i rozumienia obrazów

    Student wie jak funkcjonuje oprogramowanie do rozpoznawania i rozumienia obrazów. Student uruchomił przykładową aplikację demonstrującą działanie skryptu stworzonego w środowisku Matlab w celu rozpoznawania i rozumienia obrazów. Student umie korzystać z oprogramowania do rozpoznawania i rozumienia obrazów.

  8. Inteligentne systemy wspomagania decyzji

    Student wie jak funkcjonują inteligentne systemy wspomagania decyzji. Student uruchomił przykładową aplikację demonstrującą działanie inteligentnych systemów wspomagania decyzji. Student umie korzystać z inteligentnych systemów wspomagania decyzji.

  9. Funkcjonowanie regułowych systemów diagnostycznych

    Student wie jak funkcjonują regułowe systemy diagnostyczne. Student uruchomił przykładową aplikację demonstrującą działanie regułowego systemu diagnostycznego. Student umie korzystać z regułowych systemów diagnostycznych.

  10. Oprogramowanie do wyszukiwania multimediów (CBIR, CBSR)

    Student wie jak funkcjonuje oprogramowanie do wyszukiwania multimediów. Student uruchomił przykładową aplikacje demonstrującą działanie oprogramowania do wyszukiwania multimediów. Student umie korzystać z oprogramowanie do wyszukiwania multimediów (CBIR, CBSR).

  11. Realizacja prostej aplikacji stosującej wybrane przez studentów metody sztucznej inteligencji (praca w małych grupach 3-5 osób z Matlab Neural Netw

    Student umie zaprojektować i wykonać aplikację prezentującą wybrane metody sztucznej inteligencji w zdefiniowanym przez prowadzącego obszarze problemowym .
    Studenci realizują projekt w maksymalnie trzyosobowych zespołach. Każdy zespół otrzymuje indywidualnie dobrany lub zaakceptowany projekt przez prowadzącego. Wykonanie projektu wymaga opracowanie działającej aplikacji oraz szczegółową dokumentację wykonania projektu.

  12. Działanie sieci neuronowych

    Korzystając z matlab Neural Network Toolbox student pod nadzorem prowadzącego, a nastepnie samodzielnie buduje prosty model sieci neuronowej, testuje jego własności i stosuje go do rozwiazywania wybranego problemu praktycznego

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:

Ocena z laboratorium jest średnią ocen za poszczególne ćwiczenia. W przypadku konieczności zasady te będą stosowane do zaliczeń poprawkowych, przy czy zostanie wyznaczony dodatkowy termin poprawkowy na zlożenie brakujących sprawozdań z ćwiczeń laboratoryjnych lub na kolokwium poprawkowe. Terminy te wyznaczane będą zgodnie z obowiązującym harmonogramem roku akademickiego oraz Regulaminem Studiów

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.
Sposób obliczania oceny końcowej:

Średnia z ocen z: laboratorium (70%) i kolokwium zaliczeniowego (30%), przy czym obie oceny muszą być pozytywne (co najmniej 3.0). Studenci, którzy uczestniczyli w co najmniej 70% wykładów oraz otrzymali ocenę z laboratorium co najmniej 4,0 mogą zamiast kolokwium zaliczeniowego przygotować pracę zaliczeniową składającą się z krótkiego opracowania i prezentacji, która zostanie wygłoszona na zajęciach końcowych lub dla uczestników studenckiego ruchu naukowego.

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

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach ustalany będzie indywidualnie podczas konsultacji z prowadzącym zajęcia, w zależności od zakresu zaległości i powodu ich powstania

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Znajomość jednego ze środowisk oprogramowania matematycznego, preferowany Matlab. Pomocna będzie również znajomość języków Python lub Java.
Znajomość matematyki i statystyki na poziomie studiów inżynierskich z Inżynierii Akustycznej.

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. J.P. Serra (1995). Image Analysis & Mathematical Morphology. Academic Press.
3. A.M.J. Skulimowski (2019). Selected methods and applications of multicriteria decision support systems. Monografie Komitetu Automatyki i Robotyki PAN Nr 19, Wyd. AGH, Kraków
4. R. Tadeusiewicz (2009). Neurocybernetyka teoretyczna, Warszawa: Wydawnictwa UW

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Paweł Rotter, Andrzej M. J. SKULIMOWSKI (2009). Preference extraction in image retrieval. In: Artificial intelligence for maximizing content based image retrieval, Zongmin Ma. Hershey; New York : Information Science Reference, 2009. ISBN 978-1-60566-174-2, pp. 237–262.
2. Paweł Rotter, Andrzej M. J. SKULIMOWSKI (2008). A new approach to interactive visual search with RBF networks based on preference modelling In: Artificial Intelligence and Soft Computing – ICAISC 2008: 9th International Conference: Zakopane, Poland, June 22–26, 2008: proceedings, eds. Leszek Rutkowski [et al.]. Berlin, Heidelberg: Springer-Verlag. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence, 5097, pp. 861–873.
3. Andrzej M. J. SKULIMOWSKI (1985). Solving Vector Optimization Problems via Multilevel Analysis of Foreseen Consequences. Found. Control Engrg.,10, No.1, 25-38 (www.Researchgate.net)
4. A.M.J. SKULIMOWSKI (1987). An Interactive Modification of the Decision Set to Attain a Target Point in Vector Optimization Problems. VII-th International Conference on Multicriteria Decision Making, Kyoto (Japan), 18-22.08.1986. In: Y. Sawaragi, K. Inoue, H. Nakayama (ed.), Toward Interactive and Intelligent Decision Support Systems, Vol. 1, Proceedings, Lecture Notes in Economics and Mathematical Systems, 285, Springer-Verlag, Berlin-Heidelberg-New York-London-Paris-Tokyo, pp.142-153. [https://www.researchgate.net/profile/Andrzej_Skulimowski]
5. Andrzej M.J. SKULIMOWSKI (1990). Optimal Control of a Class of Asynchronous Discrete-Event Systems. In : Automatic Control in the Service of Mankind. Proceedings of the 11th IFAC World Congress, Tallinn (Estonia), August 1990, Vol.3, IFAC Proceedings Series 27, pp. 489-495; Pergamon Press, London.
6. Andrzej M.J. SKULIMOWSKI (1994a). Optimizing the structure of a partitioned population. In: System modelling and optimization: proceedings of the 16th IFIP-TC7 conference : Compiegne, France, July 5–9, 1993, eds. J. Henry, J.-P. Yvon. London : Springer-Verlag, 1994. Lecture Notes in Control and Information Sciences, LNCIS 197. Springer-Verlag Berlin Heidelberg New York, pp. 771–782.
7. Andrzej M.J. SKULIMOWSKI (1994b). Optimal strategies for quantitative data retrieval in distributed database systems. Proceedings of the Second International Conference on Intelligent Systems Engineering, Hamburg, 5-9 September 1994; IEE Conference Publication No. 395, IEE, London; ISBN 0-85296-621-0, pp. 389–394 (IEEE Xplore: ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=332005).
8. Andrzej M. J. SKULIMOWSKI (1996) Decision Support Systems Based on Reference Sets. Wyd. AGH, Monografie, No. 40, p.165 (https://www.researchgate.net/publication/236153959_Decision_Support_Systems_Based_on_Reference_Sets)
9. Andrzej M. J. SKULIMOWSKI (2007). On multicriteria problems with modification of attributes. In: Multiple criteria decision making’06, ed. Tadeusz Trzaskalik. Katowice: The Karol Adamiecki University of Economics, 2007. ISBN 978-83-7246-965-6, pp. 117–136 [EBSCO Host]
10. Andrzej M. J. SKULIMOWSKI (2008). Application of dynamic rankings to portfolio selection. In: New developments in financial modeling, red. Joao O. Soares, Joaquim P. Pina, Margarida Catalão-Lopes. Newcastle: CSP Cambridge Scholars Publishing, 2008. ISBN (10): 1-84718-674-2, ISBN (13): 978-184-7186-74-4, pp. 196–212.
11. Andrzej M. J. SKULIMOWSKI (2009). Formal models of freedom of choice and cognitive aspects of multicriteria decision support. In: Człowiek i jego decyzje, 1, red. Kazimierz Albin Kłosiński, Adam Biela. Lublin, KUL, 2009. ISBN 978-83-7363-936-2, pp. 47–59.
12. Andrzej M. J. SKULIMOWSKI (2011a). Future trends of intelligent decision support systems and models. In: Future Information Technology : 6th international conference, FutureTech 2011: Loutraki, Greece, June 28–30, 2011: proceedings, Part. 1, eds. J.J. Park, L.T. Yang, Ch. Lee. Berlin; Heidelberg: Springer-Verlag, Communications in Computer and Information Science, 184, pp. 11-20 (link.springer.com and www.researchgate.net).
13. Andrzej M. J. SKULIMOWSKI (2011b). Freedom of choice and creativity in multicriteria decision making. In: Knowledge, Information, and Creativity Support Systems : 5th international conference, KICSS 2010 : Chiang Mai, Thailand, November 25–27, 2010: revised selected papers, ed. Thanaruk Theeramunkong [et al.]. Berlin, Heidelberg : Springer-Verlag. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence, 6746, pp. 190–203.
14. Andrzej M. J. SKULIMOWSKI (2012a). Hybrid anticipatory networks. In: Artificial Intelligence and Soft Computing : 11th International Conference, ICAISC 2012: Zakopane, Poland, April 29–May 3, 2012. Proceedings, Part. 2, red. Leszek Rutkowski [et al.]. Berlin ; Heidelberg : Springer-Verlag. Lecture Notes in Computer Science. Lecture Notes in Artificial Intelligence 7268, pp. 706–715.
15. Andrzej M. J. SKULIMOWSKI (2012b). Methods of forecasting dynamic rankings of technological priorities. Studia Ekonomiczne; 97. In: Modelowanie preferencji a ryzyko’12, ed. Tadeusz Trzaskalik, pp. 193–212 (www.researchgate.net).
16. Andrzej M.J. SKULIMOWSKI (2013a). Solving Multicriteria Optimal Control Problems with Reference Multifunctions. 18th IEEE International Conference on Methods and Models in Automation and Robotics (MMAR), Międzyzdroje, Aug. 26-29, 2013, pp.115-120
17. Andrzej M.J. Skulimowski (2013b). 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.
18. Andrzej M.J. Skulimowski (2013c). Exploring the Future with Anticipatory Networks. W: Physics, Computation, and the Mind – Advances and Challenges at Interfaces: Proc. of the 12th Granada Seminar on Computational and Statistical Physics, 17–21.09.2012, La Herradura, Spain. Pedro L. Garrido, Joaquín Marro, Joaquín J. Torres, J.M. Cortés (Eds.), American Institute of Physics, AIP Conf. Proc.1510, pp. 224-233. http://scitation.aip.org/proceedings/volume.jsp
19. Andrzej M.J. SKULIMOWSKI, ed. (2013). Looking into the future of creativity and decision support systems: Proceedings of the 8th International Conference on Knowledge, Information and Creativity Support Systems, Kraków, Poland, November 7–9, 2013, Progress & Business Publishers, Kraków, © 2013 (CD), 2014 (hardbound), s. 671, Advances in Decision Sciences and Future Studies, Vol. 2, ISBN: 978-83-912831-6-5, e-ISBN: 978-83-912831-8-9.
20. Andrzej M. J. SKULIMOWSKI (2014a). Anticipatory network models of multicriteria decision-making processes. IJSS, Vol.45(1), s.39-59, www.tandfonline.com/doi/full/10.1080/00207721.2012.670308 (access via the AGH library)
21. Andrzej M.J. SKULIMOWSKI (2014b). 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
22. Andrzej M.J. SKULIMOWSKI (2014c). Future prospects of human interaction with artificial autonomous systems. In: Abdelhamid Bouchachia (ed.): Adaptive and Intelligent Systems: third International Conference, ICAIS 2014, Bournemouth, UK, September 8–10, 2014. Proceedings. Lecture Notes in Computer Science, Lecture Notes in Artificial Intelligence 8779, Springer International Publishing, Berlin–Heidelberg, pp. 131–141
23. Andrzej M.J. SKULIMOWSKI (2014d). Anticipatory networks and superanticipatory systems. CASYS: International Journal of Computing Anticipatory Systems, Vol. 30, 117–130.
24. Andrzej M.J. SKULIMOWSKI (2016). The art of anticipatory decision making. in: S. Kunifuji, George A. Papadopoulos, A.M.J. Skulimowski, J. Kacprzyk (ed.). KICSS 2014: 9th International Conference on Knowledge, Information and Creativity Support Systems, Limassol, Cyprus, November 6–8, 2014, Proceedings, Advances in Intelligent Systems and Computing, Vol. 416, pp. 17-35, Springer-Verlag
25. Andrzej M. J. SKULIMOWSKI, Paweł Rotter (2004). Application of multicriteria analysis to planning and selecting investment variants. W: Preference Modelling and Risk’04, ed. Tadeusz Trzaskalik. Katowice : Wydawnictwo Akademii Ekonomicznej, Prace Naukowe, ISBN 83-7246-397-2, pp. 461–480.
26. Andrzej M. J. SKULIMOWSKI, Paweł Rotter (2006). Architecture of interactive image recognition systems. W: Technology Transfer in Computer Science and Automatic Control, ed. Andrzej M. J. Skulimowski. Kraków : Progress and Business Publishers, 2006 [ed. 2008]. ISBN-10: 83-912831-3-5 ; ISBN-13: 978-83-912-831-3-4, pp. 101–117.
27. Andrzej M. J. SKULIMOWSKI, Paweł Rotter (2006). Algorithms of the context contours approximation in autonomous systems of images interpretation. W: Technology Transfer in Computer Science and Automatic Control, ed. Andrzej M. J. Skulimowski. Kraków: Progress and Business Publishers, 2006 [reprinted 2008]. ISBN-10: 83-912831-3-5 ; ISBN-13: 978-83-912-831-3-4, pp. 119–167
28. Andrzej M.J. SKULIMOWSKI, B.F. Schmid (1992). Redundancy-free description of partitioned complex systems. Mathematical and Computer Modelling, 16(10), 71-92.

Informacje dodatkowe:

Studenci mogą rozwijać swoje zainteresowania z zakresu sztucznej inteligencji poprzez uczestnictwo w badaniach Studenckiego Koła Naukowego Modelowania w Finansach (www.knmwf.agh.edu.pl)