| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | I_3A_B/01/02_K01 | Ma świadomość wpływu wykorzystywania wszelkich informacji, w tym informacji przybliżonej oraz wpływu jakości podejmowanych decyzji na poprawę jakości rozwiązywania rzeczywistych problemów zawodowych, ekonomicznych, medycznych, społecznych i innych. |
|---|
| Odniesienie do efektów kształcenia dla dyscypliny | I_3A_K01 | Absolwent ma świadomość społecznej roli uczonego a zwłaszcza rozumie potrzebę przekazywania społeczeństwu najnowszych osiągnięć z dziedziny Informatyka. |
|---|
| I_3A_K02 | Absolwent rozumie potrzebę uczenia się przez całe życie, zapoznawania się z najnowszymi osiągnięciami nauki i wdrażania ich do praktyki. |
| I_3A_K04 | Absolwent rozumie znaczenie nauki dla konkurencji rynkowej z innymi krajami, dla postępu technicznego i dla utrzymania odpowiedniego poziomu stopy życiowej w naszym kraju. |
| Cel przedmiotu | C-1 | Zapoznanie doktorantów z metodami agregacji danych liczbowych i granularnych pochodzących z różnych źródeł, np. mierników technicznych, opinii eksperckich. |
|---|
| C-3 | Nauczenie doktorantów podstawowych metod elicytacji wieloatrybutowych funkcji kryterialnych z umysłu decydenta lub grupy decydentów w celu praktycznego ich wykorzystania. |
| C-2 | Zapoznanie doktorantów z głębokim sensem i z nieporozumieniami dotyczącymi wieloatrybutowych funkcji kryterialnych i z trudnościami ich identyfikacji. |
| Treści programowe | T-W-1 | Złożone systemy, braki informacyjne i konieczność wykorzystywania wszelkiej dostepnej informacji w rozwiązywanym problemie, w tym danych przybliżonych. Teoria "Szarych Systemów" Julonga Deng'a jako nowy, przyszłościowy rodzaj matematyki zdolnej do przetwarzania i wspólnego wykorzystywania każdego rodzaju informacji (danych) o problemie. Podstawowe rodzaje danych: dane liczbowe (singleton'owe), dane interwałowe bezrozkładowe, interwały probabilistyczne, interwały posybilistyczne. Żródła danych przyblizonych, niepewnych. |
|---|
| T-W-7 | Elicytacja, modelowanie i wizualizacja liniowej funkcji kryterialnej z umysłu eksperta problemu. Testowanie zidentyfikowanej liniowej funkcji kryterialnej. Elicytacja, modelowanie i wizualizacja nieliniowej funkcji kryterialnej z umysłu eksperta metodą obiektów charakterystycznych. Testowanie nieliniowej funkcji kryterialnej. Porównawcza analiza dyskusyjna liniowej i nieliniowej formy kryterium eksperckiego. |
| T-W-2 | Dane interwałowe bezrozkładowe i metody ich agregacji. Klasyczne metody agregacji przyblizonych danych interwałowo-posybilistycznych. Wady i zalety konwencjonalnych metod agregacji. Nowe metody agregacji interwałów probabilistycznych. Metody agregacji interwałowych danych posybilistycznych. Przykładowe zastosowania metod agregacji danych przyblizonych w realnych problemach. |
| T-W-4 | Nieliniowość ludzkich kryteriów optymalizacyjnych. Metoda obiektów charakterystycznych umożliwiajaca elicytację nieliniowego kryterium wieloatrybutowego z umysłu eksperta. Wizualizacja ludzkiego kryterium optymalizacyjnego. Metoda testowania dokładności zidentyfikowanego kryterium optymalizacyjnego jako miernik jakości różnych metod elicytacji i modelowania kryteriów eksperckich. |
| T-W-5 | Przykłady identyfikacji eksperckich, wieloatrybutowych kryteriów podejmowania decyzji w realnych problemach decyzyjnych. Przykład testowania dokładności zidentyfikowanych nieliniowych funkcji kryterialnych. Porównanie metody obiektów charakterystycznych z innymi znanymi metodami modelowania kryteriów eksperckich. |
| T-W-3 | Kryteria optymalizacyjne i powszechność ich stosowania przy podejmowaniu decyzji, w tym decyzji inżynierskich. Konwencjonalne formy optymalizacyjnych kryteriów wieloatrybutowych i ich wady. Żródła generowania (pochodzenia) kryteriów. Liniowa forma wieloatrybutowego kryterium optymalizacyjnego i jej nieadekwatność względem większości realnych problemów podejmowania decyzji. Znane metody elicytacji kryteriów z umysłu eksperta. |
| T-W-6 | Rozwiązywanie przykładów agregacji danych liczbowych i interwałów bezrozkładowych. Rozwiązywania przykładów agregacji danych interwałowych probabilistycznych i liczbowych. Rozwiazywanie przykładów agregacji danych interwałowych posybilistycznych i liczbowych. |
| Metody nauczania | M-2 | Rozwiązywanie problemów ze wspomaganiem komputerowym. |
|---|
| M-3 | Dyskusja uzyskanych wyników i porównywanie różnych metod. |
| M-1 | Wykład informacyjny. |
| Sposób oceny | S-4 | Ocena podsumowująca: Końcowa ocena z wykładów na podstawie jakości samodzielnie zaproponowanego, zidentyfikowanego i zamodelowanego, wieloatrybutowego kryterium optymalizacyjnego w formie całościowego projektu. |
|---|
| S-2 | Ocena formująca: Ocena z zadań zleconych do samodzielnego rozwiązania. |
| S-3 | Ocena podsumowująca: Ocena końcowa z laboratorium jako średnia z ocen formujących. |
| S-1 | Ocena formująca: Ocena aktywności wykazywanych podczas ćwiczeń laboratoryjnych. |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | |
| 3,0 | Ma zadowalającą świadomość wpływu wykorzystywania w sposób naukowy wszelkich informacji, w tym informacji przyblizonej, na poprawę jakości rozwiązywania rzeczywistych problemów zawodowych, ekonomicznych, medycznych, społecznych i innych oraz na poprawę jakości decyzji podejmowanych w tych problemach. |
| 3,5 | |
| 4,0 | |
| 4,5 | |
| 5,0 | |