Nazwa przedmiotu:
Metody sztucznej inteligencji
Koordynator przedmiotu:
dr inż. Michał Bartyś, dr inż. Stanisław Kornacki, dr inż. Anna Jankowska, dr inż. Michał Syfert
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Automatyka i Robotyka
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
MSI
Semestr nominalny:
5 / rok ak. 2016/2017
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. Liczba godzin bezpośrednich - 62 godz., w tym: • wykład - 30 godz. • ćwiczenia laboratoryjne – 30 godz. ; • konsultacje – 2 godz. 2. Praca własna studenta – 28 godz., w tym: • przygotowanie do zajęć laboratoryjnych -10 godz. • przygotowanie sprawozdań z zajęć laboratoryjnychi raportu projektu – 10 godz. • zapoznanie się z literaturą, przygotowanie się do egzaminu - 8 godz. Razem: 90 godz.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
2 punkty ECTS – 62 godz., w tym: • wykład – 30 godz. • ćwiczenia laboratoryjne – 30 godz. • konsultacje - 2 godz.
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2 punkty ECTS - 50 godz., w tym: • ćwiczenia laboratoryjne – 30 godz. • przygotowanie do zajęć laboratoryjnych -10 godz. • przygotowanie sprawozdań z zajęć laboratoryjnychi raportu projektu – 10 godz.
Formy zajęć i ich wymiar w semestrze:
  • Wykład450h
  • Ćwiczenia0h
  • Laboratorium300h
  • Projekt150h
  • Lekcje komputerowe0h
Wymagania wstępne:
Podstawowa wiedza z zakresu obsługi komputera, technik informatycznych oraz przetwarzania sygnałów. Mile widziana wiedza z zakresu podstaw automatyki.
Limit liczby studentów:
brak
Cel przedmiotu:
Zapoznanie studentów z podstawami wybranych metod sztucznej inteligencji (systemy rozmyte, sieci neuronowe, algorytmy genetyczne, systemy eksperckie oraz rozwiązania hybrydowe) oraz przykładowymi zastosowaniami w przemyśle.
Treści kształcenia:
Wprowadzenie do teorii zbiorów rozmytych. Elementy teorii zbiorów rozmytych. Wnioskowanie rozmyte. Modelowanie rozmyte. Regulacja rozmyta. Wstęp do sieci neuronowych. Algorytmy uczenia sieci. Ciągi uczące. Przykładowe zastosowania sztucznych sieci neuronowych. Wprowadzenie do algorytmów ewolucyjnych. Właściwości i wybrane zastosowania algorytmów ewolucyjnych. Wprowadzenie do systemów ekspertowych. Metody hybrydowe.
Metody oceny:
Ocena ostateczna wyznaczana jest na podstawie oceny składowej, przy założeniu konieczności uzyskania wszystkich ocen składowych pozytywnych. Wykład: zaliczenie pisemne w formie egzaminu z zakresu prezentowanego materiału. Współczynnik wagowy: 0.5 Laboratorium: ocena wyznaczana na podstawie oceny średniej z poszczególnych ćwiczeń. Współczynnik wagowy: 0.3 Projekt: ocena wykonanego projektu. Współczynnik wagowy: 0.2
Egzamin:
tak
Literatura:
Modelowanie i sterowanie rozmyte. Andrzej Piegat, Exit, 1999 Sieci neuronowe do przetwarzania informacji. Stanisław Osowski, Oficyna wydawnicza PW, 2000 Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. D. Rutkowska, M. Piliński, L. Rutkowski, PWN, 1997 Wykłady z algorytmów ewolucyjnych. Jarosław Arabas, WNT, 2001 Algorytmy genetyczne + struktury danych = programy ewolucyjne. Zbigniew Michalewicz, WNT, 1999 Systemy ekspertowe. Jan Mulawka, WNT, 1996 Metody i techniki sztucznej inteligencji. L. Rutkowski , Wydawnictwo Naukowe PWN, Warszawa, 2005 Fuzzy sets. L.A. Zadeh, Inf. an Control, Vol. 8, ss. 338-353, 1965. Zbiory rozmyte w analizie systemowej. J. Kacprzyk, PWN, Warszawa, 1986 Podstawy modelowania i sterowania rozmytego. R. Yager, D. Filev, WNT, Warszawa 1995 Algorytmy genetyczne. Przykłady i zastosowania. Jerzy Cytowski, Akadem, Oficyna Wydawnicza PLJ Warszawa 1996 Algorytmy genetyczne i ich zastosowania. David E. Goldberg, WNT, 1995
Witryna www przedmiotu:
brak
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt MSI_W01
Zna podstawy metod sztucznej inteligencji w zakresie sztucznych sieci neuronowych, logiki rozmytej oraz algorymów ewolucyjnych.
Weryfikacja: Egzamin z części wykładowej.
Powiązane efekty kierunkowe: K_W04
Powiązane efekty obszarowe: T1A_W02
Efekt MSI_W02
Zna podstawy projektowania regulatorów rozmytych.
Weryfikacja: Egzamin z części wykładowej. Realizacja ćwiczeń laboratoryjnych oraz projektu.
Powiązane efekty kierunkowe: K_W04
Powiązane efekty obszarowe: T1A_W02

Profil ogólnoakademicki - umiejętności

Efekt MSI_U01
Potrafi zaprojektować i uruchomić regulator rozmyty dla prostego układu dynamicznego.
Weryfikacja: Ocena ćwiczeń laboratoryjnych oraz wykonanego zadania projektowego.
Powiązane efekty kierunkowe: K_U02, K_U12, K_U19, K_U23
Powiązane efekty obszarowe: T1A_U02, T1A_U07, T1A_U09, T1A_U16, T1A_U16
Efekt MSI_U02
Potrafi opracować prosty model odtwarzający wielkości procesowe przy wykorzystaniu sztucznej sieci neuronowej i/lub modelowania rozmytego.
Weryfikacja: Ocena ćwiczeń laboratoryjnych oraz wykonanego zadania projektowego.
Powiązane efekty kierunkowe: K_U12, K_U13
Powiązane efekty obszarowe: T1A_U09, T1A_U08
Efekt MSI_U03
Potrafi rozwiązać proste zadanie optymalizacyjne przy wykorzystaniu algorytmów ewolucyjnych.
Weryfikacja: Ocena ćwiczeń laboratoryjnych.
Powiązane efekty kierunkowe: K_U12
Powiązane efekty obszarowe: T1A_U09
Efekt MSI_U04
Potrafi przygotować dane pomiarowe na potrzeby identyfikacji modeli, w tym przeprowadzić eksperyment identyfikacyuny.
Weryfikacja: Ocena ćwiczeń laboratoryjnych oraz wykonanego zadania projektowego.
Powiązane efekty kierunkowe: K_U13
Powiązane efekty obszarowe: T1A_U08
Efekt MSI_U05
Potrafi dobrać nastawy klasycznego regulatora PID.
Weryfikacja: Ocena zrealizowanego projektu.
Powiązane efekty kierunkowe: K_U19
Powiązane efekty obszarowe: T1A_U16

Profil ogólnoakademicki - kompetencje społeczne

Efekt MSI_K01
Potrafi pracować w zespole podczas realizacji projektu inżynierskiego.
Weryfikacja: Ocena udziału w zespole projektowym.
Powiązane efekty kierunkowe: K_K04
Powiązane efekty obszarowe: T1A_K03, T1A_K04, T1A_K05