Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sztuczna inteligencja i uczenie maszynowe
Koordynator przedmiotu:
dr Wodecki Andrzej
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Zarządzanie
Grupa przedmiotów:
Specjalność: Zarządzanie w gospodarce cyfrowej
Kod przedmiotu:
-
Semestr nominalny:
4 / rok ak. 2018/2019
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
2 ECTS: 15h wykład + 15h laboratorium + 15h nauka własna + 15h przygotowanie projektu = 60h
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1 ECTS: 15h wykład + 15h laboratorium = 30h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1,4 ECTS: 15h laboratorium + 15h nauka własna + 15h przygotowanie projektu = 45h
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium15h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Podstawy modelowania statystycznego (regresja, klasyfikacja)
Limit liczby studentów:
- od 25 osób do limitu miejsc w sali audytoryjnej (wykład) - od 25 osób do limitu miejsc w sali laboratoryjnej (laboratorium)
Cel przedmiotu:
Wykształcenie umiejętności formułowania uzasadnień biznesowych dla projektów wykorzystujących metody uczenia maszynowego i sztucznej inteligencji
Treści kształcenia:
A. Wykład: 1. Wprowadzenie: zakres przedmiotu, podstawowe pojęcia i źródła wiedzy 2. Algorytmy i metody uczenia maszynowego (ML) i sztucznej inteligencji (AI) a. Pozyskiwanie danych b. Przygotowanie danych do modelowania c. Algorytmy ML (regresja, klasyfikacja, grupowanie, rekomendowanie, prognozowanie; metoda gradientu) d. Ocena i poprawa jakości modeli ML 3. Scenariusze użycia i uzasadnienia biznesowe projektów ML/AI a. Praktyczne zastosowania rozwiązań wykorzystujących ML/AI (rozpoznawanie obrazu, przetwarzanie i generowanie języka naturalnego, prognozowanie, interfejsy konwersacyjne, twórczość) b. Przegląd rozwiązań oferowanych przez dostawców systemów ML/AI c. Przykładowe scenariusze użycia i uzasadnienia biznesowe w kluczowych obszarach funkcyjnych organizacji 4. Planowanie i realizacja projektów ML/AI a. Metodyki prowadzenia projektów ML/AI (CRISP-DM, metodyki zwinne) b. Najważniejsze technologie, architektury i modele udostępniania rozwiązań ML/AI (w tym: SaaS, API) c. Planowanie i zarządzanie ryzykiem projektów ML/AI 5. Trendy rozwoju ML/AI B. Laboratorium: W ramach laboratorium studenci stworzą uzasadnienie biznesowe i plan wdrożenia projektu wykorzystującego uczenie maszynowe/sztuczną inteligencję do usprawnienia procesów w wybranej organizacji. Prace podzielone zostaną na następujące etapy: 1. Wybór obszaru funkcyjnego/procesu biznesowego 2. Przegląd rozwiązań dostawców i scenariuszy użycia ML/AI w wybranych obszarze 3. Uzasadnienie biznesowe dla wdrożenia takiego rozwiązania (w tym analiza kosztów/korzyści) 4. Projekt architektury rozwiązania i lista niezbędnych zasobów (zarówno infrastrukturalnych, jak i ludzkich) 5. Plan projektu wdrożenia. Na koniec zajęć każda z grup przedstawi prezentację swojego projektu.
Metody oceny:
A. Laboratorium: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji B. Projekt: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna : oceny projektu i prezentacji C. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%), 50% - projekt, 50% - laboratorium
Egzamin:
nie
Literatura:
Obowiązkowa: 1. Wodecki A., 2018. Sztuczna inteligencja w kreowaniu wartości organizacji, Kraków, Edu-Libri 2. Szeliga M., 2017, Data Science i uczenie maszynowe, Warszawa, PWN Uzupełniająca: 1. Boschetti A., Massaron L., 2017. Python. Podstawy nauki o danych. Wydanie II , Gliwice, Helion
Witryna www przedmiotu:
www.olaf.wz.pw.edu.pl
Uwagi:
-

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W1
Student zna najważniejsze metody i algorytmy uczenia maszynowego
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt W2
Student zna różne sposoby wykorzystania metod uczenia maszynowego i sztucznej inteligencji do usprawnienia procesów biznesowych organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - umiejętności

Efekt U1
Student potrafi zaprojektować uzasadnienie biznesowe dla projektu wykorzystującego uczenie maszynowe i sztuczną inteligencję
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Efekt U2
Zaplanować projekt wdrożenia rozwiązania ML/AI w organizacji
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt S1
Student jest gotów do myślenia i działania w sposób przedsiębiorczy
Weryfikacja: Ocena projektu grupowego
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe: