| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | IM_2A_B04-1_U01 | Student zdobędzie umiejętność analizowania rozwiązywanego problemu, dobrania odpowiednich metod i narzędzi potrzebnych do jego rozwiązania, zaplanowania i wykonania eksperymentów z użyciem narzędzi, interpretacji wyników eksperymentów. |
|---|
| Odniesienie do efektów kształcenia dla kierunku studiów | IM_2A_U01 | Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł; także w języku obcym; potrafi integrować uzyskane informacje, dokonywać ich interpretacji i krytycznej oceny, a także wyciągnąć wnioski oraz formułować i wyczerpująco uzasadniać opinie |
|---|
| Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | T2A_U01 | potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, także w języku angielskim lub innym języku obcym uznawanym za język komunikacji międzynarodowej w zakresie studiowanego kierunku studiów; potrafi integrować uzyskane informacje, dokonywać ich interpretacji i krytycznej oceny, a także wyciągać wnioski oraz formułować i wyczerpująco uzasadniać opinie |
|---|
| T2A_U02 | potrafi porozumiewać się przy użyciu różnych technik w środowisku zawodowym oraz w innych środowiskach, także w języku angielskim lub innym języku obcym uznawanym za język komunikacji międzynarodowej w zakresie studiowanego kierunku studiów |
| T2A_U07 | potrafi posługiwać się technikami informacyjno-komunikacyjnymi właściwymi do realizacji zadań typowych dla działalności inżynierskiej |
| T2A_U10 | potrafi - przy formułowaniu i rozwiązywaniu zadań inżynierskich - integrować wiedzę z zakresu dziedzin nauki i dyscyplin naukowych, właściwych dla studiowanego kierunku studiów oraz zastosować podejście systemowe, uwzględniające także aspekty pozatechniczne |
| Cel przedmiotu | C-2 | Zdobycie umiejętności praktycznej analizy szerokiego spektrum problemów rozwiązywanych metodami sztucznej inteligencji. Zaznajomienie z możliwościami dostępnych na rynku aplikacji sztucznej inteligencji wykorzystywanych w zadaniach demonstracyjnych i praktycznych. |
|---|
| Treści programowe | T-L-1 | Rozważanie różnych problemów logicznych i formalne prezentowanie problemu przygotowujące do zastosowania metod przeszukiwania grafów i drzew. Opracowanie modelu neuronu. Dobór funkcji aktywacji neuronu. Opracowanie projektu sztucznej sieci neuronowej. |
|---|
| T-L-2 | Projektowanie modeli sztucznych sieci neuronowych dla przykładowych zadań. Uczenie sieci neuronowych. Uczenie jako aproksymacja i kodowanie stanów równowagi. Stosowanie reguł uczenia sieci neuronowych. Opracowanie modelu wnioskowania rozmytego oraz sieci neuronowej do nauki bazy reguł lingwistycznych. |
| T-L-3 | Zastosowanie sieci neuronowych do budowy bazy reguł lingwistycznych. Projekt sterowania systemem produkcyjnym z zastosowaniem zbiorów rozmytych i sztucznych sieci neuronowych. |
| T-L-4 | Modelowanie systemów sztucznych sieci neuronowych oraz algorytmów genetycznych z wykorzystaniem programu komputerowego (Matlab). Praktyczne wykorzystanie modeli sztucznych sieci neuronowych oraz hybrydowych metod sztucznej inteligencji. |
| T-W-1 | Definicje i klasyfikacja metod sztucznej inteligencji ze szczególnym uwzględnieniem sztuczny sieci neuronowych. Omówienie kamieni milowych: test Turinga, system symboliczny. Wprowadzenie do metod przeszukiwania przestrzeni stanów. |
| T-W-4 | Algorytmy ewolucyjne i genetyczne, podstawowe pojęcia, operatory ewolucyjne selekcji, krzyżowania i mutacji, zasady działania i zastosowanie w optymalizacji. Przykłady zastosowań algorytmów ewolucyjnych do sterowania i harmonogramowania procesów produkcyjnych. |
| T-W-2 | Sztuczne sieci neuronowe. Sieć typu perceptron prosty. Uczenie sztucznych sieci neuronowych. Uczenie sieci wielowarstwowych. Przygotowanie danych uczących. Przykłady zastosowań sztucznych sieci neuronowych rozpoznawanie, klasyfikacja, analiza danych temporalnych. |
| T-W-3 | Zbiory rozmyte i przybliżone. Podstawy budowy systemów Fuzzy Logic. Bazy reguł lingwistycznych. Metody wnioskowania. Metody automatycznego generowanie baz reguł lingwistycznych. Przykłady zastosowań logiki rozmytej do sterowania procesami produkcyjnymi. |
| Metody nauczania | M-4 | Ćwiczenia laboratoryjne - samodzielna praca z oprogramowaniem komputerowym. |
|---|
| Sposób oceny | S-3 | Ocena formująca: Laboratoria - ocena sprawozdań i wykonanych na zajęciach zadań. |
|---|
| S-2 | Ocena formująca: Laboratoria - sprawdziany z bieżącej tematyki laboratoriów. |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | Nie potrafi poprawnie rozwiązywać zadań. Przy wykonywaniu ćwiczeń laboratoryjnych nie potrafi wyjaśnić sposobu działania progrmu i ma problemy z formułowaniem wniosków. |
| 3,0 | Student rozwiązuje podstwowe zadania. Popełnia pomyłki w obliczeniach. Ćwiczenia praktyczne realizuje poprawnie, ale w sposób bierny. |
| 3,5 | Student posiadł umiejętności w stopniu pośrednim, między oceną 3,0 i 4,0. |
| 4,0 | Student ma dobre umiejętności kojarzenia i analizy nabytej wiedzy. Ćwiczenia praktyczne realizuje poprawnie, jest aktywny, potrafi interpretować uzyskane wyniki. |
| 4,5 | Student posiadł umiejętności w stopniu pośrednim, między oceną 4,0 i 5,0. |
| 5,0 | Student ma bardzo dobre umiejętności kojarzenia i analizy nabytej wiedzy. Zadania rozwiązuje metodami optymalnymi. Potrafi wykorzystywać właściwe techniki komputerowe. Ćwiczenia praktyczne realizuje wzorowo, w sposób aktywny, potrafi ocenić metodę i uzyskane wyniki. |