- Nazwa przedmiotu:
- Metody i Techniki Sztucznej Inteligencji
- Koordynator przedmiotu:
- Prof. dr hab. Krzysztof Lewenstein
- Status przedmiotu:
- Fakultatywny dowolnego wyboru
- Poziom kształcenia:
- Studia II stopnia
- Program:
- Inżynieria Biomedyczna
- Grupa przedmiotów:
- Przedmioty zaawansowane specjalności (Aparatura Medyczna) – obieralne
- Kod przedmiotu:
- MiTSI
- Semestr nominalny:
- 3 / rok ak. 2020/2021
- Liczba punktów ECTS:
- 3
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 1) Liczba godzin bezpośrednich: .46h, w tym:
a) wykład - 30h;
b) ćwiczenia - 0h;
c) laboratorium - 15h;
d) projekt - 0h;
e) konsultacje - 1h;
2) Praca własna studenta:30h , w tym:
a) przygotowanie do kolokwium zaliczeniowego - 10h;
b) przygotowanie do zajęć laboratoryjnych - 6h;
c) opracowanie zadań domowych – 10h;
d) studia literaturowe - 4h;
Suma: 76 h (3 ECTS)
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 1 punkt ECTS - liczba godzin bezpośrednich: 46, w tym:
a) wykład - 30.h;
b) ćwiczenia - 0h;
c) laboratorium - 15h;
d) projekt - 0h;
e) konsultacje - 1h;
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 1) Liczba godzin bezpośrednich: .46h, w tym:
a) wykład - 30h;
b) ćwiczenia - 0h;
c) laboratorium - 15h;
d) projekt - 0h;
e) konsultacje - 1h;
2) Praca własna studenta:30h , w tym:
a) przygotowanie do kolokwium zaliczeniowego - 10h;
b) przygotowanie do zajęć laboratoryjnych - 6h;
c) opracowanie zadań domowych – 10h;
d) studia literaturowe - 4h;
Suma: 76 h (3 ECTS)
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład30h
- Ćwiczenia0h
- Laboratorium15h
- Projekt0h
- Lekcje komputerowe0h
- Wymagania wstępne:
- Wymagana ogólna znajomość zagadnień wykładanych w przedmiotach: matematyka i informatyka. Podstawowa znajomość technik i metod sztucznej inteligencji, ich zastosowań.
- Limit liczby studentów:
- 24
- Cel przedmiotu:
- Pogłębiona znajomość technik i metod sztucznej inteligencji, ich zastosowań i trendów rozwojowych, w szczególności systemów opartych o sieci neuronowe.
- Treści kształcenia:
- Rys historyczny badań nad sztuczną inteligencją w okresie od połowy XX w. do dnia dzisiejszego, ich trendy rozwojowe i stan aktualny. Biologiczne inspiracje neurokomputingu.
Zasady przygotowania i przetwarzania danych wraz z tworzeniem baz treningowych i testowych wykorzystywanych w konkretnych aplikacjach.
Ogólna charakterystyka systemów eksperckich, klasyfikatorów minimalno – odległościowych. Podstawy sieci neuronowych i uczenia maszynowego, algorytmy i strategie genetyczne, systemy logiki rozmytej i rozmyte sieci neuronowe. Dla każdego z wymienionych systemów zostaną przedstawione zasadnicze problemy związane z jego konkretnym najbardziej typowym, współczesnym zastosowaniem.
Definicje i klasyfikacje podstawowe. Rodzaje neuronów i metody ich uczenia. Podstawowe rodzaje sieci neuronowych i ich typowe aplikacje.
Sieci jednokierunkowe; metody uczenia sieci wielowarstwowych; dobór architektury; zarys teorii generalizacji. Dedykowane sieci jednokierunkowe i ich zastosowania.
Sieci rekurencyjne: metody treningu, zastosowania, pamięć asocjacyjna.
Sieci komórkowe: metody treningu, zastosowania.
Układowe realizacje sieci neuronowych. Uczenie głębokie.
Tematyka ćwiczeń laboratoryjnych: Badania sieci jednokierunkowych BP. Rozpoznanie obrazów "bitmapowych". Kompresja zbiorów danych. Zastosowanie sieci do realizacji funkcji logicznych. Interpolacja przebiegu funkcji .Zagadnienia klasyfikacji – przykłady.
- Metody oceny:
- wykład – kolokwium zaliczające, laboratorium - zaliczenie na podstawie sprawozdania zawierającego opisy i wyniki z przeprowadzonych ćwiczeń, eksperymentów oraz zadań polegających na optymalizacji sieci do wybranego zagadnienia. .
- Egzamin:
- nie
- Literatura:
- 1. L. Rutkowski: Metody i techniki sztucznej inteligencji, PWN, 2012
2. S. Osowski: Sieci neuronowe w ujęciu algorytmicznym., WNT,1996
3. S. Osowski: Metody i narzędzia eksploracji danych, BTC 2014
4. P. Wawrzyński: Podstawy sztucznej inteligencji, OWPW, 2015
5. R. Kosiński: Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos, PWN 2017
- Witryna www przedmiotu:
- http://zemip.mchtr.pw.edu.pl
- Uwagi:
- brak
Efekty uczenia się
Profil ogólnoakademicki - wiedza
- Charakterystyka MiTSI_II_2st_W01
- Posiada pogłębioną wiedzę w zakresie komputerowych metod sztucznej inteligencji.
Weryfikacja: Zaliczenie wykładu
Powiązane charakterystyki kierunkowe:
W_03, W_04
Powiązane charakterystyki obszarowe:
P7U_W, I.P7S_WG.o, III.P7S_WG
- Charakterystyka MiTSI_II_2st_W02
- Zan zasady optymalizacji i testowania systemów sztucznej inteligencji, a zwłaszcza sieci neuronowych.
Weryfikacja: Zaliczenie wykładu.
Powiązane charakterystyki kierunkowe:
W_03, W_04
Powiązane charakterystyki obszarowe:
P7U_W, I.P7S_WG.o, III.P7S_WG
- Charakterystyka MiTSI_II_2st_W03
- Zna zasady budowy systemów sztucznej inteligencji, a zwłaszcza sieci neuronowych.
Weryfikacja: Zaliczenie wykładu, zaliczenie laboratorium
Powiązane charakterystyki kierunkowe:
W_03, W_04
Powiązane charakterystyki obszarowe:
I.P7S_WG.o, III.P7S_WG, P7U_W
Profil ogólnoakademicki - umiejętności
- Charakterystyka MiTSI_II _2st_U01
- Umie zbudować i przetestować sieć jednokierunkową BP do prostego zagadnienia polegającego na rozpoznawaniu obrazów i klasyfikacji.
Weryfikacja: Pisemne sprawozdanie z przeprowadzonych testów.
Powiązane charakterystyki kierunkowe:
U_02
Powiązane charakterystyki obszarowe:
P7U_U, I.P7S_UW.o, III.P7S_UW.o
- Charakterystyka MiTSI_II _2st_U02
- Umie wykorzystać narzędzia informatyczne do optymalizacji sieci neuronalnej.
Weryfikacja: Pisemne sprawozdanie z przeprowadzonych testów.
Powiązane charakterystyki kierunkowe:
U_02
Powiązane charakterystyki obszarowe:
P7U_U, I.P7S_UW.o, III.P7S_UW.o
- Charakterystyka MiTSI_II _2st_U03
- Ma świadomość odpowiedzialności za pracę własną i zespołu, którego jest członkiem.
Weryfikacja: Wspólna ocena pracy zespołu. Sprawdzanie punktualności członków zespołu i terminowego wykonania zadań.
Powiązane charakterystyki kierunkowe:
U_07
Powiązane charakterystyki obszarowe:
P7U_U, I.P7S_UO, I.P7S_UU