Elementy sztucznej inteligencji Kierunek studiów: Informatyka
Kod programu: 08-S1INI12.2017

Nazwa modułu: Elementy sztucznej inteligencji
Kod modułu: 08-IO1S-13-ESI
Kod programu: 08-S1INI12.2017
Semestr: semestr letni 2019/2020
Język wykładowy: polski
Forma zaliczenia: zaliczenie
Punkty ECTS: 5
Opis:
Cel modułu to zapoznanie studentów z wybranym kierunkiem badań w sztucznej inteligencji - z algorytmami genetycznymi. Studenci poznają podstawowe typy algorytmów genetycznych (AG), różne sposoby kodowania, operatory genetyczne oraz metody zarządzania populacją w AG. Wiedza ta wykorzystywana jest do konstrukcji AG rozwiązujących konkretne problemy. W konsekwencji ma to doprowadzić do przyswojenia wiedzy z zakresu AG i jej praktycznego wykorzystania.
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
(brak informacji)
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Potrafi planować i realizować terminowo różne zadania; Potrafi pracować w zespole kilkuosobowym [ESI_K_1]
 K_1_A_I_K01 [1/5] K_1_A_I_K03 [1/5]
Potrafi zbudować regułową bazę wiedzy w wybranej dziedzinie z wykorzystaniem szkieletowego systemu ekspertowego [ESI_U_1]
 K_1_A_I_U01 [1/5] K_1_A_I_U20 [1/5]
Potrafi rozwiązać problem optymalizacyjny metodami dokładnymi i przybliżonymi [ESI_U_2]
 K_1_A_I_U01 [1/5]
Potrafi zaimplementować prosty algorytm genetyczny w wybranym języku programowania oraz ocenić wyniki działania programu [ESI_U_3]
 K_1_A_I_U15 [1/5] K_1_A_I_U16 [1/5] K_1_A_I_U20 [1/5]
Dla wybranego problemu optymalizacyjnego potrafi zaprojektować i zaimplementować algorytm genetyczny rozwiązujący dany problem, używając odpowiedniego sposobu kodowania problemu, różnych operatorów genetycznych, odpowiedniego warunku stopu algorytmu; Potrafi odpowiednio dobrać (dostroić) wartości parametrów AG; Potrafi analizować otrzymane rezultaty [ESI_U_4]
 K_1_A_I_U02 [1/5] K_1_A_I_U05 [1/5] K_1_A_I_U15 [1/5] K_1_A_I_U16 [1/5] K_1_A_I_U20 [1/5]
Potrafi zaimplementować generator liczb pseudolosowych o odpowiednim właściwościach [ESI_U_5]
 K_1_A_I_U01 [1/5] K_1_A_I_U05 [1/5]
Ma wiedzę z zakresu podstawowych pojęć i kierunków badań w sztucznej inteligencji oraz systemów ekspertowych [ESI_W_1]
 K_1_A_I_W03 [1/5] K_1_A_I_W19 [1/5]
Ma wiedzę z zakresu zadań optymalizacyjnych i kryteriów oceny algorytmu optymalizacji [ESI_W_2]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5] K_1_A_I_W09 [1/5]
Zna podstawy matematyczne i zasadę działania prostego algorytmu genetycznego oraz strategii ewolucyjnych [ESI_W_3]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5] K_1_A_I_W19 [1/5]
Ma wiedzę w zakresie metod kodowania w algorytmie genetycznym (AG), zarządzania populacją w AG; Zna różne rodzaje operatorów genetycznych; Ma wiedzę w zakresie metod zapobiegania przedwczesnej zbieżności w AG [ESI_W_4]
 K_1_A_I_W03 [1/5] K_1_A_I_W19 [1/5]
Ma wiedze w zakresie generatorów liczb pseudolosowych oraz testów losowości ciągów pseudolosowych [ESI_W_5]
 K_1_A_I_W01 [1/5] K_1_A_I_W03 [1/5]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
Test pisemny ze znajomości wykładów [ESI_w_1]
Test zaliczeniowy wykładu w formie pisemnej przeprowadza się na ostatnim wykładzie;
 ESI_W_1 ESI_W_2 ESI_W_3 ESI_W_4 ESI_W_5
Przygotowanie projektów/ programów [ESI_w_2]
Przygotowanie projektu indywidualnego z wykorzystaniem systemu ekspertowego PC-Shell; przygotowanie projektu/programu w grupie 2-3 osobowej rozwiązującego wybranego problemu z użyciem algorytmów genetycznych
 ESI_K_1 ESI_U_1 ESI_U_2 ESI_U_3 ESI_U_4 ESI_U_5
Sprawozdania [ESI_w_3]
Przygotowanie sprawozdań dla projektów, z opisem uzyskanych rezultatów i przesłanie w formie elektronicznej w określonym terminie
 ESI_K_1 ESI_U_1 ESI_U_2 ESI_U_3 ESI_U_4 ESI_U_5 ESI_W_1 ESI_W_2 ESI_W_3 ESI_W_4 ESI_W_5
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [ESI_fs_1]
Podanie treści kształcenia w formie ustnej z wykorzystaniem wizualizacji treści. Zwrócenie uwagi na materiał trudny pojęciowo i wskazanie adresów stron internetowych
 15
Zapoznanie się z tematyką wykładu z wykorzystaniem: wykładów w wersji elektronicznej i podanej literatury
 25 Test pisemny ze znajomości wykładów [ESI_w_1]
laboratorium [ESI_fs_2]
Szczegółowe przygotowanie studentów do przygotowania projektów/programów: indywidualnego i w ramach grupy; ustalenie algorytmów rozwiązujących wybrane problemy, metodologii postępowania, ustalenie sposobu oceny wyników działania programów
 30
Przygotowanie do laboratorium; Wybór tematyki i przygotowanie do projektu indywidualnego; Zapoznanie z algorytmami rozwiązującymi wybrany problem dla projektu grupowego Przygotowanie projektów/programów indywidualnego i w ramach grup 2-3 osobowych; Implementacja projektów w wybranym języku programowania; Przygotowanie sprawozdań z projektów
80 Przygotowanie projektów/ programów [ESI_w_2] Sprawozdania [ESI_w_3]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)