Podstawy sztucznej inteligencji i systemów ekspertowych Field of study: Computer Science
Programme code: 08-S1INI12.2018

Module name: Podstawy sztucznej inteligencji i systemów ekspertowych
Module code: 08- IGO1S-13-PSIISE
Programme code: 08-S1INI12.2018
Semester: winter semester 2019/2020
Language of instruction: Polish
Form of verification: exam
ECTS credits: 3
Description:
Celem zajęć w tym module jest zapoznanie studentów z wybranymi technikami i metodami sztucznej inteligencji oraz systemów ekspertowych. W trakcie wykładu student zdobywa wiedzę dotyczącą zwłaszcza możliwości zastosowania logiki klasycznej, rozmytej oraz metod wnioskowania do tworzenia systemów wspomagania decyzji. Dzięki temu będzie potrafił projektować gry komputerowe, które wykorzystują metody sztucznej inteligencji w swoim działaniu. W ramach laboratorium student zapoznaje się z zagadnieniami sztucznej inteligencji i systemów ekspertowych które mogą być wykorzystane w dziedzinie projektowania gier komputerowych.
Prerequisites:
(no information given)
Key reading:
(no information given)
Learning outcome of the module Codes of the learning outcomes of the programme to which the learning outcome of the module is related [level of competence: scale 1-5]
Student potrafi pracować w zespole programistycznym [PSIISE_K_10]
 K_1_A_I_K01 [1/5] K_1_A_I_K03 [1/5] K_1_A_I_K06 [1/5]
Student potrafi wykorzystywać naiwny klasyfikator Bayesa oraz algorytm k najbliższych sąsiadów do konkretnych problemów klasyfikacyjnych przy zadanych ograniczeniach. [PSIISE_K_9]
 K_1_A_I_U25 [2/5] K_1_A_I_K01 [1/5] K_1_A_I_K03 [1/5]
Student potrafi używać metod wnioskowania w systemach wspomagania decyzji [PSIISE_U_5]
 K_1_A_I_W04 [1/5] K_1_A_I_W19 [3/5]
Student potrafi wyliczać stopień przynależności do zbioru rozmytego, oraz poprawnie identyfikuje określony typ funkcji przynależności na podstawie zapisu matematycznego. [PSIISE_U_6]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U06 [3/5] K_1_A_I_U07 [2/5] K_1_A_I_U17 [2/5] K_1_A_I_U18 [2/5]
Student potrafi dokonywać wnioskowania rozmytego oraz opisywać i uzasadniać poprawność poszczególnych kroków tego procesu. [PSIISE_U_7]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U06 [3/5] K_1_A_I_U25 [1/5] K_1_A_I_U07 [2/5] K_1_A_I_U17 [2/5] K_1_A_I_U18 [2/5]
Student posiada umiejętność konstruowania prostej sieci Bayesa w dostępnym oprogramowaniu wspomagającym, na podstawie podanych wymagań, celem rozwiązania problemów decyzyjnych. [PSIISE_U_8]
 K_1_A_I_U01 [1/5] K_1_A_I_U04 [1/5] K_1_A_I_U06 [3/5] K_1_A_I_U07 [2/5] K_1_A_I_U17 [2/5] K_1_A_I_U18 [2/5]
Student zna i rozumie pojęcia związane z systemami wspomagania decyzji, m.in. zagadnienia logiki klasycznej. [PSIISE_W_1]
 K_1_A_I_W03 [1/5] K_1_A_I_W04 [1/5] K_1_A_I_W19 [3/5]
Student ma podstawową wiedzę z zakresu logiki rozmytej, zna podstawowe operacje logiczne w odniesieniu do zbiorów rozmytych oraz rozróżnia podstawowe typy funkcji przynależności. [PSIISE_W_2]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5] K_1_A_I_W17 [2/5] K_1_A_I_W18 [2/5] K_1_A_I_W08 [1/5]
Student zna zapis formalny oraz interpretację graficzną sieci Bayesa, potrafi wymienić jej cechy charakterystyczne, oraz definiuje twierdzenie Bayesa. [PSIISE_W_3]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5] K_1_A_I_W17 [2/5] K_1_A_I_W18 [2/5] K_1_A_I_W08 [1/5]
Student ma podstawową wiedzę na temat metod klasyfikacji obiektów ze szczególnym uwzględnieniem naiwnego klasyfikatora Bayesa, oraz algorytmu k najbliższych sąsiadów, oraz wymienia wady i zalety omówionych podejść. [PSIISE_W_4]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5] K_1_A_I_W17 [2/5] K_1_A_I_W18 [2/5] K_1_A_I_W08 [1/5]
Type Description Codes of the learning outcomes of the module to which assessment is related
egzamin [PSIISE_w_1]
Celem egzaminu jest zweryfikowanie wiedzy teoretycznej wyniesionej z wykładu, oraz umiejętności praktycznych nabytych na laboratoriach. Test składa się z szeregu pytań zamkniętych jednokrotnego wyboru oraz zadań praktycznych.
 PSIISE_U_5 PSIISE_U_6 PSIISE_U_7 PSIISE_U_8 PSIISE_W_1 PSIISE_W_2 PSIISE_W_3 PSIISE_W_4
prace kontrolne [PSIISE_w_2]
Kolokwia i krótkie zadania praktyczne wykonywane w domu, po przedstawieniu poszczególnych technik bądź grupy zagadnień systemów wspomagania decyzji oraz wybranych metod sztucznej inteligencji.
 PSIISE_U_5 PSIISE_U_6 PSIISE_U_7 PSIISE_U_8 PSIISE_W_1 PSIISE_W_2 PSIISE_W_3 PSIISE_W_4
Grupowy projekt programistyczny [PSIISE_w_3]
Projekt prostej gry komputerowej wykorzystujący zagadnienia systemów wspomagania decyzji oraz poznanych metod sztucznej inteligencji bądź projekt systemu wspomagania decyzji związany z tematyką gier komputerowych.
 PSIISE_K_10 PSIISE_K_9 PSIISE_U_5 PSIISE_U_6 PSIISE_U_7 PSIISE_U_8 PSIISE_W_1 PSIISE_W_2 PSIISE_W_3 PSIISE_W_4
Form of teaching Student's own work Assessment of the learning outcomes
Type Description (including teaching methods) Number of hours Description Number of hours
lecture [PSIISE_fs1]
Podanie treści kształcenia w formie werbalnej z wykorzystaniem prezentacji multimedialnych oraz interaktywnych apletów. Podanie adresów stron internetowych zawierających dodatkowe materiały dydaktyczne.
 20
Zapoznanie się z tematyką wykładu z wykorzystaniem dostępnej literatury i przygotowanych przez prowadzącego prezentacji multimedialnych.
 20 egzamin [PSIISE_w_1]
laboratory classes [PSIISE_fs2]
Szczegółowe przygotowanie studentów do projektowania gier komputerowych z wykorzystaniem metod sztucznej inteligencji oraz systemów wspomagania decyzji. Rozwiązywanie zadań mających na celu utrwalenie wiedzy dotyczącej zastosowania konkretnych metod do wybranych problemów w grach komputerowych (np. grach logicznych, strategicznych). Quizy i testy wyboru wraz z grupową dyskusją możliwych odpowiedzi.
 15
Rozwiązywanie zadań z poszczególnych tematów wraz z analizą rozwiązań już istniejących (dostępnych na stronach internetowych prowadzącego). Zastosowanie wiedzy zdobytej na wykładzie i laboratoriach odnośnie technik sztucznej inteligencji, w celu realizacji części projektu realizowanej przez studenta. Przygotowanie w formie pisemnej rozwiązań przykładowych zadań podanych na laboratoriach.
35 egzamin [PSIISE_w_1] prace kontrolne [PSIISE_w_2] Grupowy projekt programistyczny [PSIISE_w_3]
Attachments
Module description (PDF)
Information concerning module syllabuses might be changed during studies.
Syllabuses (USOSweb)
Semester Module Language of instruction
(no information given)