Artificial Intelligence Kierunek studiów: Informatyka
Kod programu: W4-S1IN19.2021

Nazwa modułu: Artificial Intelligence
Kod modułu: 08-IO1S-13-AI
Kod programu: W4-S1IN19.2021
Semestr:
  • semestr zimowy 2026/2027
  • semestr zimowy 2025/2026
  • semestr zimowy 2024/2025
Język wykładowy: angielski
Forma zaliczenia: egzamin
Punkty ECTS: 6
Opis:
Celem zajęć w tym module jest zapoznanie studentów z wybranymi technikami i metodami sztucznej inteligencji, ze szczególnym uwzględnieniem tworzenia systemów wspomagania decyzji i metod klasyfikacyjnych. Kolejnym ważnym aspektem poruszanym w ramach modułu jest wnioskowanie z wykorzystywaniem logiki rozmytej, kiedy pojęcia wejściowe nie są określone w sposób bezpośredni i jednoznaczny. Ponadto student nabywa wiedzy i umiejętności z zakresu modelowania sieci neuronowych mogących zostać wykorzystane do skomplikowanych zadań optymalizacyjnych lub rozpoznawania kontekstowego.
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
(brak informacji)
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Student potrafi pracować w zespole i dokonywać właściwego (równego) podziału pracy. [AI_K_8]
 K_K05 [1/5]
Student potrafi zaprojektować system wnioskowania z użyciem logiki rozmytej. [AI_U_5]
 K_U01 [1/5] K_U04 [1/5] K_U06 [3/5] K_U19 [2/5] K_U20 [2/5] K_U07 [2/5]
Potrafi użyć różnych metod klasyfikacji (Naiwny Klasyfikator Bayesa, algorytm kNN) w zadaniu predykcji danych [AI_U_6]
 K_U01 [1/5] K_U04 [1/5] K_U06 [3/5] K_U19 [2/5] K_U20 [2/5] K_U07 [2/5]
Student posługując się narzędziami wspomagającymi tworzenie sieci neuronowych potrafi stworzyć model prostego zadania klasyfikacji (z użyciem operatorów logicznych: or/and/not oraz operatorów matematycznych typu: suma dwóch liczb). [AI_U_7]
 K_U01 [1/5] K_U04 [1/5] K_U06 [3/5] K_U19 [2/5] K_U20 [2/5] K_U07 [2/5]
Student ma podstawową wiedzę z zakresu logiki rozmytej, zna podstawowe operacje logiczne w odniesieniu do zbiorów rozmytych oraz rozróżnia podstawowe typy funkcji przynależności. [AI_W_1]
 K_W01 [1/5] K_W03 [1/5] K_W18 [2/5] K_W19 [2/5]
Student rozumie procesy wnioskowania zachodzące na różnych etapach w sterownikach rozmytych. Wie, które funkcje powinny być użyte i zna różnice między nimi oraz między metodami rozmywania i wyostrzania. [AI_W_2]
 K_W01 [1/5] K_W03 [1/5] K_W18 [2/5] K_W19 [2/5]
Student ma podstawową wiedzę na temat metod klasyfikacji obiektów ze szczególnym uwzględnieniem naiwnego klasyfikatora Bayesa, oraz algorytmu k najbliższych sąsiadów. Potrafi użyć naiwnego klasyfikatora Bayesa w zadaniu klasyfikacji danych. [AI_W_3]
 K_W01 [1/5] K_W03 [1/5] K_W18 [2/5] K_W19 [2/5]
Student zna model wielowarstwowej sieci neuronowej oraz rozumie pojęcie funkcji aktywacji oraz metody uczenia się sieci. [AI_W_4]
 K_W01 [1/5] K_W03 [1/5] K_W18 [2/5] K_W19 [2/5]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
egzamin [AI_w_1]
Celem jest zweryfikowanie wiedzy teoretycznej wyniesionej z wykładu, oraz umiejętności praktycznych nabytych na laboratoriach. Egzamin ma formę testu składającego się z szeregu pytań zamkniętych bądź otwartych.
 AI_U_5 AI_U_6 AI_U_7 AI_W_1 AI_W_2 AI_W_3 AI_W_4
prace kontrolne [AI_w_2]
Kolokwia po przedstawieniu poszczególnych technik bądź grupy zagadnień odnośnie sztucznej inteligencji mające za zadanie zweryfikować wiedzę nabytą w trakcie zajęć.
 AI_U_5 AI_U_6 AI_U_7 AI_W_1 AI_W_2 AI_W_3 AI_W_4
sprawozdanie grupowe [AI_w_3]
Zastosowanie poznanych metod sztucznej inteligencji, do zadań klasyfikacji bądź w procesie wnioskowania, z użyciem danych pobranych z repozytorium Machine Learning Repository lub sztucznie wygenerowanych przez studenta.
 AI_K_8 AI_U_5 AI_U_6 AI_U_7 AI_W_1 AI_W_2 AI_W_3 AI_W_4
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [AI_fs1]
Podanie treści kształcenia w formie werbalnej z wykorzystaniem prezentacji multimedialnych oraz interaktywnych apletów. Podanie adresów stron internetowych zawierających dodatkowe materiały dydaktyczne.
 15
Zapoznanie się z tematyką wykładu z wykorzystaniem dostępnej literatury i przygotowanych przez prowadzącego prezentacji multimedialnych.
 30 egzamin [AI_w_1]
laboratorium [AI_fs2]
Szczegółowe przygotowanie studentów do rozwiązywania zadań ze wskazaniem na metodologię postępowania, wskazaniem kolejności wykonywanych czynności. Rozwiązywanie zadań z treścią. Quizy i testy wyboru wraz z grupową dyskusją możliwych odpowiedzi.
 30
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, na podstawie wygenerowanych przez studentów danych, co umożliwia jej uporządkowanie. Przygotowanie i opracowanie dodatkowych zadań praktycznych poleconych przez prowadzącego.
105 egzamin [AI_w_1] prace kontrolne [AI_w_2] sprawozdanie grupowe [AI_w_3]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)