Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sztuczna inteligencja w biznesie
Koordynator przedmiotu:
dr hab. 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. 2020/2021
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
2 ECTS: 10h wykład + 10h laboratorium + 12h nauka własna + 15h przygotowanie projektu + 3h konsultacji= 50h
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
0,92 ECTS: 10h wykład + 10h laboratorium + 3h konsultacji = 23h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1,6 ECTS: 10h laboratorium + 12h nauka własna + 15h przygotowanie projektu + 3h konsultacji= 40h
Formy zajęć i ich wymiar w semestrze:
  • Wykład10h
  • Ćwiczenia0h
  • Laboratorium10h
  • 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. Najważniejsze technologie sztucznej inteligencji a. Internet rzeczy b. Systemy umożliwiające przetwarzanie dużych ilości danych (infrastruktura BigData) c. Systemy umożliwiające tworzenie aplikacji wykorzystujących uczenie maszynowe i algorytmy sztucznej inteligencji 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 C. 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 rozwiazania (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. Wykład: 1. Ocena formatywna: na podstawie oceny z Laboratorium 2. Ocena sumatywna: na podstawie oceny z Laboratorium C. Laboratorium: 1. Ocena formatywna: projekt, prezentacja 2. Ocena sumatywna: oceny projektu i prezentacji E. Końcowa ocena z przedmiotu: Suma ważona ocen projektu (80%) i prezentacji (20%)
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: