| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | I_3A_B/01/02_W01 | Ma wiedzę o podstawowych metodach agregacji danych przybliżonych różnego typu, o metodach elicytacji, modelowania i praktycznego wykorzystania wieloatrybutowych eksperckich kryteriów decyzyjnych. |
|---|
| Odniesienie do efektów kształcenia dla dyscypliny | I_3A_W01 | Absolwent posiada zaawansowaną wiedzę o charakterze podstawowym dla dziedziny Informatyka związana z obszarem prowadzonych badań naukowych obejmująca najnowsze osiągnięcia |
|---|
| I_3A_W02 | Absolwent posiada zaawansowaną wiedzę o charakterze szczegółowym odpowiadającą obszarowi Informatyka, obejmującą najnowsze osiągnięcia. |
| Cel przedmiotu | C-1 | Zapoznanie doktorantów z metodami agregacji danych liczbowych i granularnych pochodzących z różnych źródeł, np. mierników technicznych, opinii eksperckich. |
|---|
| C-2 | Zapoznanie doktorantów z głębokim sensem i z nieporozumieniami dotyczącymi wieloatrybutowych funkcji kryterialnych i z trudnościami ich identyfikacji. |
| C-3 | Nauczenie doktorantów podstawowych metod elicytacji wieloatrybutowych funkcji kryterialnych z umysłu decydenta lub grupy decydentów w celu praktycznego ich wykorzystania. |
| Treści programowe | T-W-1 | Złożone systemy, braki informacyjne i koniecznosć wykorzystywania wszelkiej informacji dotępnej w rozwiązywanym problemie, w tym danych przybliżonych. Teoria "Szarych Systemów" Julong 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 przybliżonych, niepewnych. |
|---|
| 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-6 | Rozwiazywanie przykładów agregacji danych liczbowych i interwałów bezrozkładowych. Rozwiazywanie przykładów agregacji danych interwałowych probabilistycznych i liczbowych. Rozwiązywanie przykładów agregacji danych interwałowych posybilistycznych i liczbowych. |
| 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 uzyskanej liniowej i nieliniowej formy kryterium eksperckiego. |
| T-W-5 | Przykłady identyfikacji eksperckich, wieloatrybutowych kryteriów podejmowania decyzji w realnych problemach decyzyjnych. Przykład testowania dokładności zidentyfikowanych nieliniowych funkcji kryterialnych. Porównianie metody obiektów charakterystycznych z innymi znanymi metodami modelowania kryteriów eksperckich. |
| T-W-4 | Nieliniowosć ludzkich kryteriów optymalizacyjnych. Metoda obiektów charakterystycznych umożliwiająca 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-3 | Kryteria optymalizacyjne i powszechność ich stosowania przy podejmowaniu decyzji, w tym decyzji inzynierskich. Konwencjonalne formy optymalizacyjnych kryteriów wieloatrybutowych i ich wady. Źródła generowania (pochodzenia) kryteriów. Liniowa forma wieloatrybutowego kryterium optymalizacyjnego i jej nieadekwatność względem większosci realnych problemów podejmowania decyzji. Znane metody elicytacji kryteriów z umysłu |
| Metody nauczania | M-1 | Wykład informacyjny. |
|---|
| M-2 | Rozwiązywanie problemów ze wspomaganiem komputerowym. |
| M-3 | Dyskusja uzyskanych wyników i porównanie różnych metod. |
| Sposób oceny | S-3 | Ocena podsumowująca: Ocena końcowa z laboratorium jako średnia z ocen formujących. |
|---|
| S-1 | Ocena formująca: Ocena aktywności wykazywanej podczas ćwiczen laboratoryjnych. |
| S-2 | Ocena formująca: Ocena z zadań zleconych do samodzielnego rozwiązania. |
| S-4 | Ocena podsumowująca: Ocena końcowa za wykłady na podstawie jakości samodzielnie zaproponowanego, zidentyfikowanego i zamodelowanego wieloatrybutowego kryterium optymalizacyjnego w formie całościowego projektu. |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | Nie ma wiedzy o konieczności wykorzystywania wszelkiej informacji, w tym również przyblizonej do rozwiązywania problemów. Nie ma podstawowej wiedzy o istocie ludzkich kryteriów wieloatrybutowych. |
| 3,0 | Ma wiedzę podstawową o możliwościach wykorzystywania danych przybliżonych oraz o matematycznej formie i złożoności eksperckich kryteriów wieloatrybutowych. |
| 3,5 | Ma wiedzę o sposobach modelowania danych przybliżonych i o optymalnych formach modelowania eksperckich kryteriów wieloatrybutowych. |
| 4,0 | Ma wiedzę o sposobach agregowania różnych typów danych przybliżonych i o sposobie elicytacji kryteriów wieloatrybutowych z umysłu eksperta. |
| 4,5 | Ma wiedzę o sposobie wykorzystywania różnego typu danych przybliżonych w rozwiązywaniu praktycznych problemów i o sposobie testowania wieloatrybutowego kryterium wydobytego z umusłu eksperta. |
| 5,0 | Ma komleksową wiedzę o sposobach modelowania, wykorzystywania i praktycznego zastosowania danych przybliżonych różnego typu oraz o różnych sposobach elicytacji i testowania wieloatrybutowych kryteriów z umysłu eksperta (człowieka). |