Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Zaawansowane analizy statystyczne, planowanie eksperymentów i sieci neuronowe
Tok studiów:
2019/2020
Kod:
NIPJ-2-101-s
Wydział:
Metali Nieżelaznych
Poziom studiów:
Studia II stopnia
Specjalność:
-
Kierunek:
Inżynieria Produkcji i Jakości
Semestr:
1
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Handzlik Piotr (phandzli@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

W ramach przedmiotu studenci poznają metody statystyczne i techniki pozwalające na poprawne i efektywne planowanie badań i procesów przemysłowych. Omawiane są statystyczne metody projektowania eksperymentów (DoE) i oparte na statystyce metody optymalizacyjne parametrów procesów. Przedmiot wprowadza elementy uczenia maszynowego i sieci neuronowych, jako nowoczesnych narzędzi stosowanych w przemyśle przy projektowaniu i kontroli procesów przemysłowych oraz kontroli jakości produktów.

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 zna metody statystyczne służące do poprawnego i efektywnego planowania eksperymentów, potrafi wskazać zasadność i potrzebę ich użycia. IPJ2A_W01 Egzamin
M_W002 Student zna i rozumie pojęcie, strukturę i metody uczenia sztucznych sieci neuronowych, potrafi wskazać zastosowania w procesach przemysłowych i kontroli jakości. IPJ2A_W01 Egzamin
Umiejętności: potrafi
M_U001 Student potrafi zaprojektować eksperyment zgodnie z metodologią DoE, przeanalizować wyniki eksperymentu i zastosować je w projektowaniu procesów przemysłowych. IPJ2A_U10 Kolokwium
M_U002 Student potrafi dobrać odpowiedni rodzaj eksperymentu dla danego problemu. IPJ2A_U10 Kolokwium
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
45 30 15 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 zna metody statystyczne służące do poprawnego i efektywnego planowania eksperymentów, potrafi wskazać zasadność i potrzebę ich użycia. + + - - - - - - - - -
M_W002 Student zna i rozumie pojęcie, strukturę i metody uczenia sztucznych sieci neuronowych, potrafi wskazać zastosowania w procesach przemysłowych i kontroli jakości. + - - - - - - - - - -
Umiejętności
M_U001 Student potrafi zaprojektować eksperyment zgodnie z metodologią DoE, przeanalizować wyniki eksperymentu i zastosować je w projektowaniu procesów przemysłowych. - + - - - - - - - - -
M_U002 Student potrafi dobrać odpowiedni rodzaj eksperymentu dla danego problemu. - + - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 105 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 godz
Samodzielne studiowanie tematyki zajęć 20 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 3 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (30h):

  1. Metody planowania eksperymentów, plany blokowe i czynnikowe, metoda Taguchi
  2. Regresja, analiza regresji, istotność parameterów regresji, minmalizacja liczby parametrów
  3. Metody analityczne i heurystyczne poszukiwania ekstremum funkcji
  4. Wielowymiarowa optymalizacja statystyczna, zastosowanie w planowaniu procesów przemysłowych
  5. Wprowadzanie do sieci neuronowych, struktura, funkcje aktywacji, metody uczenia
  6. Zastosowanie sieci neuronowych w procesch przemysłowych

Ćwiczenia audytoryjne (15h):

  1. Przykłady i ćwiczenia z planowania eksperymentów, analizy wyników eksperymentu
  2. Przykłady i ćwiczenia z metod poszukiwania ekstremów funkcji
  3. Przykłady, projektowanie i uczenie sieci neuronowych do zastosowań związanych z planowaniem i kontrolną jakości procesu

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 audytoryjne: Podczas zajęć audytoryjnych studenci na tablicy rozwiązują zadane wcześniej problemy. Prowadzący na bieżąco dokonuje stosowanych wyjaśnień i moderuje dyskusję z grupą nad danym problemem.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczenie ćwiczeń: kolowium. 2 terminy poprawkowe, dopuszczenie do egzaminu na podstawie zaliczenia ćwiczeń

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 audytoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci przystępując do ćwiczeń są zobowiązani do przygotowania się w zakresie wskazanym każdorazowo przez prowadzącego (np. w formie zestawów zadań). Ocena pracy studenta może bazować na wypowiedziach ustnych lub pisemnych w formie kolokwium, co zgodnie z regulaminem studiów AGH przekłada się na ocenę końcową z tej formy zajęć.
Sposób obliczania oceny końcowej:

ocena końcowa = 50% ocena z egzaminu + 50% ocena z cwiczeń

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

Dopuszcza się usprawiedliwioną nieobecność na 2 ćwiczeniach audytoryjnych. Zaległości wyrównuje się poprzez przygotowanie referatu, lub w inny ustalony z prowadzącym sposób.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Nie podano wymagań wstępnych lub dodatkowych.

Zalecana literatura i pomoce naukowe:
  1. Statistics for Experimenters: Design, Innovation, and Discovery , 2nd Edition; George E. P. Box, J. Stuart Hunter, William G. Hunter
  2. Experiments: Planning, Analysis, and Optimization; C. F. Jeff Wu , Michael S. Hamada; Wiley Series in Probability and Statistics
  3. The Elements of Statistical Learning;T. Hastie, R. Tibshirani, J. Friedman; 2001,
  4. Understanding Machine Learning: From Theory to Algorithms; Shai Shalev-Shwartz, Shai Ben-David; 2014
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak