Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Metody sztucznej inteligencji
Koordynator przedmiotu:
dr inż. Michał Syfert
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia I stopnia
Program:
Automatyka i Robotyka
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
MSI
Semestr nominalny:
8 / rok ak. 2019/2020
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1) Liczba godzin bezpośrednich 27, w tym: a) wykład 14 b) ćwiczenia w laboratorium 11 c) konsultacje 2 2) Praca własna studenta 75, w tym: a) przygotowanie do zajęć laboratoryjnych 30, b) zapoznanie z literaturą 10, c) opracowanie sprawozdań 25 d) przygotowanie do zaliczeń 10 RAZEM 102 godz. = 4 ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1 punkt ECTS - Liczba godzin bezpośrednich 27, w tym: a) wykład 14 b) ćwiczenia w laboratorium 11 c) konsultacje 2
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2.5 punkty ECTS – 66 godz., w tym: a) obecność w laboratorium 11 b) przygotowanie do zajęć laboratoryjnych 30 c) opracowanie sprawozdań 25,
Formy zajęć i ich wymiar w semestrze:
  • Wykład14h
  • Ćwiczenia0h
  • Laboratorium11h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Matematyka: teoria funkcji, logika; programowanie w języku wyższego poziomu; podstawy metod numerycznych.
Limit liczby studentów:
brak
Cel przedmiotu:
Zrozumienie oraz umiejętność sformułowania i rozwiązania zadań z zakresu podstaw inteligentnych systemów obliczeniowych wykorzystujących sieci neuronowe, układy rozmyte oraz algorytmy genetyczne.
Treści kształcenia:
Wprowadzenie do inteligentnych systemów obliczeniowych. Zagadnienia optymalizacji. Heurystyki i strategie poszukiwań rozwiązania. Analogie przyrodnicze i neurobiologiczne. Sieci neuronowe. Algorytmy genetyczne. Systemy rozmyte. Wielowarstwowe sieci neuronowe. Model neuronu. Struktury wielowarstwowe perceptronowe i RBF. Gradientowe metody uczenia. Metoda najszybszego spadku. Wsteczna propagacja błędu. Przezwyciężanie minimum lokalnego; symulowane wyżarzanie. Sztuczne sieci neuronowe w zadaniach klasyfikacji Uczenie bez nauczyciela: konkurencyjne i korelacyjne. Aproksymacja danych a zadania klasyfikacji. Przykłady klasyfikacji wzorców. Podstawy logiki rozmytej. Podstawowe pojęcia teorii zbiorów rozmytych. Przybliżone wnioskowanie. Rozmyte systemy wnioskujące. Modelowanie rozmyte. Algorytmy genetyczne. Chromosomy, metody kodowania, twierdzenie o schematach, operacje krzyżowania i mutacji, przykład algorytmu genetycznego. Strategie ewolucyjne. Metody realizacji inteligentnych systemów obliczeniowych Struktury bazy reguł: podstawowe i uproszczone; rozmywanie, typu singleton i non –singleton; reguły rozmytej implikacji: Larsena i Mamdaniego; wyostrzanie: CA (Center Average), CS (Center of Sums) oraz z siecią neuronową w bloku wyostrzania; rozmyty system wnioskujący typu Takagi-Sugeno.
Metody oceny:
kolokwium końcowe zaliczające wykład oraz ocena z wykonania ćwiczeń laboratoryjnych
Egzamin:
nie
Literatura:
D. Rutkowska – Inteligentne systemy obliczeniowe, Akadem. Ofic. Wydawnicza PLJ Warszawa 1997 L. Rutkowski – Metody i techniki sztucznej inteligencji, Wyd. Naukowe PWN, Warszawa 2005 J. Arabas – Wykłady z algorytmów ewolucyjnych, WNT Warszawa 2004 S. Osowski – Sieci neuronowe do przetwarzania informacji, WPW Warszawa 2006 A. Piegat – Modelowanie i sterowanie rozmyte, EXIT Warszawa 2003 D. Goldberg – Algorytmy genetyczne, WNT Warszawa 1995
Witryna www przedmiotu:
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka MSI_Inst_W01
Ma wiedzę z zakresu metod sztucznej inteligencji
Weryfikacja: Kolokwium zaliczające wykład
Powiązane charakterystyki kierunkowe: K_W06
Powiązane charakterystyki obszarowe: I.P6S_WG.o, III.P6S_WG
Charakterystyka MSI_Inst_W02
Ma wiedzę na temat istoty podziału zadań w różnych blokach oprogramowania i hardwaru
Weryfikacja: Kolokwium zaliczające wykład
Powiązane charakterystyki kierunkowe: K_W12
Powiązane charakterystyki obszarowe: III.P6S_WG, I.P6S_WG.o
Charakterystyka MSI_Inst_W03
Ma podstawową wiedzę z zakresu nowych metod obliczeniowych optymalizacji
Weryfikacja: ocena z wykonania ćwiczeń laboratoryjnych
Powiązane charakterystyki kierunkowe: K_W16
Powiązane charakterystyki obszarowe: I.P6S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka MSI_Inst_U01
Potrafi formułować i rozwiązywać zadania z zakresu podstaw inteligentnych systemów obliczeniowych wykorzystujących sieci neuronowe, układy rozmyte oraz algorytmy genetyczne
Weryfikacja: Kolokwium zaliczające wykład
Powiązane charakterystyki kierunkowe: K_U06
Powiązane charakterystyki obszarowe: I.P6S_UW.o, III.P6S_UW.o
Charakterystyka MSI_Inst_U02
Potrafi modelować obiekty z użyciem sztucznych sieci neuronowych, modeli rozmytych i algorytmów genetycznych
Weryfikacja: ocena z wykonania ćwiczeń laboratoryjnych
Powiązane charakterystyki kierunkowe: K_U12
Powiązane charakterystyki obszarowe: I.P6S_UW.o, III.P6S_UW.o
Charakterystyka MSI_Inst_U03
potrafi zaprezentować założenia i realizację zadania inżynierskiego
Weryfikacja: ocena z wykonania ćwiczeń laboratoryjnych
Powiązane charakterystyki kierunkowe: K_U03
Powiązane charakterystyki obszarowe: I.P6S_UK

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka MSI_Inst_K01
Potrafi pracować w zespole projektowym i laboratoryjnym
Weryfikacja: ocena z wykonania ćwiczeń laboratoryjnych
Powiązane charakterystyki kierunkowe: K_K04
Powiązane charakterystyki obszarowe: I.P6S_KO, I.P6S_KR