Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Systemy eksperckie w projektowaniu maszyn
Tok studiów:
2019/2020
Kod:
RMBM-2-108-KW-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Komputerowe wspomaganie projektowania
Kierunek:
Mechanika i Budowa Maszyn
Semestr:
1
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Bera Piotr (pbera@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Student poznaje zasady budowania systemów eksperckich umożliwiających podejmowanie decyzji w sytuacjach niejednoznacznych, trudnych do analizy w oparciu o własne doświadczenie zawodowe.

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 ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. MBM2A_W02 Projekt
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. MBM2A_W05, MBM2A_W03 Projekt
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. MBM2A_W06 Projekt
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. MBM2A_W05 Projekt
Umiejętności: potrafi
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. MBM2A_U10, MBM2A_U01 Projekt
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. MBM2A_U21 Projekt
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. MBM2A_U10 Projekt
Kompetencje społeczne: jest gotów do
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. MBM2A_K02, MBM2A_K01 Projekt
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
40 14 0 0 26 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 ugruntowaną wiedzę z zakresu podstaw matematyki i programowania. + - - - - - - - - - -
M_W002 Student posiada wiedzę z zakresu modelowania zagadnień związanych z eksploatacją i niezawodnością obiektów technicznych. + - - - - - - - - - -
M_W003 Student zna metody analizy i przetwarzania danych pomiarowych w celu wykorzystania w zakresie sztucznych sieci neuronowych. + - - - - - - - - - -
M_W004 Student zna obszary potencjalnych zastosowań sztucznych sieci neuronowych w projektowaniu. Zna zalety jak i ograniczenia metody. + - - - - - - - - - -
Umiejętności
M_U001 Student potrafi planować i przeprowadzać eksperymenty w celu uzyskania informacji niezbędnych do rozwiązania określonych problemów technicznych. Zna metody matematyczne umożliwiające analizę danych pomiarowych. - - - + - - - - - - -
M_U002 Student potrafi wykorzystać metodę SSN do rozwiązania złożonego, nietypowego problemu technicznego. - - - + - - - - - - -
M_U003 Student potrafi interpretować wyniki obliczeń przeprowadzanych z wykorzystaniem sztucznych sieci neuronowych. - - - + - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi wykorzystać nabytą wiedzę w twórczy sposób do rozwiązania różnorakich zadań. Ma świadomość ciągłego dokształcania się w danej tematyce. + - - + - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 115 godz
Punkty ECTS za moduł 4 ECTS
Udział w zajęciach dydaktycznych/praktyka 40 godz
Przygotowanie do zajęć 20 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 25 godz
Samodzielne studiowanie tematyki zajęć 25 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (14h):

1. Koncepcja i podstawy funkcjonowania systemów eksperckich.
2. Sztuczne sieci neuronowe (SSN) w systemach eksperckich.
3. Metoda gradientowa uczenia SSN.
4. Metoda wstecznej propagacji błędów uczenia SSN.
5. Opracowanie bazy danych uczących.
6. Dobór funkcji przeniesienia.
7. Wybór początkowych wartości wag.
8. Analiza zmienności współczynnika uczenia.
9. Przyspieszanie procesu uczenia.
10. Dobór liczby warstw i neuronów.
11. Analiza długości procesu uczenia.
12. Ocena błędu metody sztucznych sieci neuronowych.
13, 14. Przykłady praktycznych zastosowań sztucznych sieci neuronowych.
15. Zaliczenie przedmiotu.

Ćwiczenia projektowe (26h):

1, 2. Uczenie liniowego neuronu.
3, 4. Uczenie nieliniowego neuronu.
5, 6. Metoda wstecznej propagacji błędów.
7, 8. Obsługa pakietu NN Toolbox w programie Matlab.
9 – 12. Programowanie SSN (w programie Matlab).
13 – 15. Programowanie SSN (w programie Matlab).

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 projektowe: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczenie ćwiczeń projektowych odbywa się na drodze realizacji programu komputerowego będącego systemem eksperckim. Podstawowym terminem oddania projektu są ostanie zajęcia w semestrze.

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 projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
Sposób obliczania oceny końcowej:

Ocena na podstawie wykonanego projektu. Uwzględniana jest obecność na wykładach.

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

Student odrabia zajęcia z inną grupą projektową. Jeśli nie ma takiej możliwości, to zaległości merytoryczne muszą być nadrobione we własnym zakresie. Dopuszczalna jest jedna nieusprawiedliwiona nieobecność w semestrze na ćwiczeniach projektowych i nie wpływa ona na ocenę. Większa liczba nieobecności uniemożliwia uzyskanie zaliczenia.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Wymagana podstawowa wiedza z zakresu:
1. matematyki
2. obsługi programu Matlab (operacje na macierzach, pętle: for, if, itp.).
3. bardzo dobra znajomość programu Excel.

Zalecana literatura i pomoce naukowe:

Literatura:
1. R. Tadeusiewicz: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
2. Lenkiewicz W., Szybka J. (red.): Problemy badawcze w eksploatacji wybranych obiektów
technicznych. PAN, PNTTE, Warszawa 2010.
3. Hagan M. T., Demuth H. B., Beale M. H.: Neural network design, 1995.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. The use of artificial neural networks trained in supervised mode to the analysis of measurement data of combustion engines and automotive vehicles — Zastosowanie sztucznych sieci neuronowych uczonych w sposób nadzorowany do analizy danych pomiarowych z badań silników spalinowych i samochodów / Piotr BERA // W: Silniki spalinowe i ekologia : praca zbiorowa : opracowanie monograficzne / pod red. Władysława Mitiańca ; Politechnika Krakowska im. Tadeusza Kościuszki. — Kraków : Wydawnictwo PK, cop. 2014. — ISBN: 978-83-7242-763-2. — S. 193–204. — Bibliogr. s. 203.
2. Zastosowanie sieci neuronowych do oceny zużycia paliwa przez samochód — Application of neural networks for evaluation of the fuel consumption by car / Piotr BERA, Robert PILCH, Jan SZYBKA // Czasopismo Techniczne = Technical Transactions / Politechnika Krakowska ; ISSN 0011-4561. Mechanika = Mechanics ; ISSN 1897-6328. — 2012 R. 109 z. 14 7–M, s. 33–40. — Bibliogr. s. 40, Streszcz., Abstr.

Informacje dodatkowe:

Brak.