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: |
|
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) |