Podstawy sztucznej inteligencji Kierunek studiów: Informatyka stosowana
Kod programu: W4-S1IS19.2.2019

Nazwa modułu: Podstawy sztucznej inteligencji
Kod modułu: 03-IS-21-PSI
Kod programu: W4-S1IS19.2.2019
Semestr:
  • semestr letni 2023/2024
  • semestr letni 2022/2023
  • semestr letni 2021/2022
  • semestr letni 2020/2021
Język wykładowy: polski
Forma zaliczenia: egzamin
Punkty ECTS: 5
Opis:
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).
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
(brak informacji)
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 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]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
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
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [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]
laboratorium [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]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)