Podstawy sztucznej inteligencji Field of study: Applied Computer Science
Programme code: W4-S1IS19.2.2019

Module name: Podstawy sztucznej inteligencji
Module code: 03-IS-21-PSI
Programme code: W4-S1IS19.2.2019
Semester:
  • summer semester 2023/2024
  • summer semester 2022/2023
  • summer semester 2021/2022
  • summer semester 2020/2021
Language of instruction: Polish
Form of verification: exam
ECTS credits: 5
Description:
Historia rozwoju dziedziny sztucznej inteligencji, obejmująca ilustrowane przykładami pojęcia takie jak systemy ekspertowe, baza wiedzy, wnioskowanie, strategie przeszukiwania heurystycznego, min-max, uczenie i głębokie uczenie. Uczenie maszynowe, podział na uczenie z nadzorowane i nienadzorowane i uczenie ze wzmocnieniem. Pojęcie funkcji błędu, problem generalizacji, rola zbioru trenującego, testowego. Zagadnienie regresji i klasyfikacji. Dane jako punkt w wielowymiarowej przestrzeni liniowej. Przestrzeń parametrów. Klasyczne metody uczenia nadzorowanego: k-NN, klasyfikator Bayesa, minimalno-odległościowy. Uczenie nienadzorowane: analizy skupień (grupowanie):, aglomeracyjny algorytm grupowania hierarchicznego, wybrane klasyczne algorytmy z optymalizacją funkcji kryterialnej (np. k-means i DBSCAN). Maszyny wektorów podpierających (SVM), przestrzeń prosta i dualna na przykładzie perceptronu. Sztuczne sieci neuronowe. Model sztucznego neuronu, funkcje aktywacji. Metody uczenia perceptronu wielowarstwowego, algorytm wstecznej propagacji błędu. Rodzaje sieci neuronowych, uczenie głębokie, przykłady współczesnych zastosowań uczenia głębokiego. Narzędzia stosowane w pracy z danymi na przykładzie środowiska opartego o język Python, bibliotekę numpy ze szczególnym uwzględnieniem operacji na tensorach. Wprowadzenie do frameworków umożliwiających automatyczne różniczkowanie (np. keras/tensorflow, pytorch).
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]
Ma podstawową wiedzę o metodach sztucznej inteligencji i uczenia maszynowego [PSI_1]
 K_W03 [5/5]
Posiada umiejętność identyfikacji problemów do których można zastosować metody sztucznej inteligencji, zna ograniczenia i możliwości takiego podejścia [PSI_2]
 K_W03 [3/5] KIN_U17 [3/5]
Potrafi rozwiązać prosty problem klasyfikacji lub regresji wybraną przez siebie metodą, potrafi przeprowadzić analizę wyników działania algorytmów uczenia [PSI_3]
 K_W03 [2/5] KIN_U17 [2/5]
Type Description Codes of the learning outcomes of the module to which assessment is related
prace domowe [PSI_w_1]
Samodzielna praca nad cotygodniowymi zadaniami praktycznymi, ocena wymaga uzyskania 50% punktów z wszystkich zadań w semestrze. Zakłada się, że zadania są oddawane w ramach systemu, który wykonuje automatyczne testy (np. nbgrader).
 PSI_1 PSI_2 PSI_3
aktywność na zajęciach [PSI_w_2]
Rozwiązywanie zadań praktycznych podczas zajęć laboratoryjnych obejmujące dobór metody rozwiązania do analizowanego problemu, implementację i testowanie wybranych algorytmów, udział w dyskusji.
 PSI_1 PSI_2 PSI_3
egzamin [PSI_w_3]
Egzamin obejmuje tematykę omawiane na wykładzie z naciskiem na ich zastosowania. Na egzaminie weryfikowane są też zagadnienia teoretyczne.
 PSI_1 PSI_2 PSI_3
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 [PSI_fs_1]
wykład wybranych zagadnień z wykorzystaniem pomocy audiowizualnych oraz systemu nbgrader opartego na notatniku Jupyter
 30
przyswojenie wiadomości z wykładu przy pomocy udostępnionych materiałów wykładowych; lektura uzupełniająca podręczników;
 30 egzamin [PSI_w_3]
laboratory classes [PSI_fs_2]
Laboratorium komputerowe, rozwiązywanie zadań praktycznych, implementacja i testowanie wybranych algorytmów, dyskusja uzyskiwanych wyników. Praca w systemie Jupyter z zadaniami wykorzystującymi automatyczne testowanie (student po wprowadzeniu rozwiązania może natychmiast sprawdzić jego poprawność).
 30
Przyswojenie treści wykładu, literatura uzupełniająca, samodzielna implementacja i testowanie zadanych algorytmów
 50 prace domowe [PSI_w_1] aktywność na zajęciach [PSI_w_2]
Attachments
Module description (PDF)
Information concerning module syllabuses might be changed during studies.
Syllabuses (USOSweb)
Semester Module Language of instruction
(no information given)