Prowadzony w cyklach: 2021/2022-Z, 2021/2022-L, 2022/2023-L, 2023/2024-L, 2024/2025-L

Kod ISCED: 0719

Punkty ECTS: 5

Język: polski

Organizowany przez: Katedra Informatyki i Automatyki (dla: Wydział Budowy Maszyn i Informatyki)

Metody sztucznej inteligencji I-SI7O>MSI

Celem przedmiotu jest zapoznanie studentów z metodami sztucznej inteligencji w jej podstawowych zagadnieniach: klasyfikacji, regresji, selekcji danych, grupowania danych (klasteryzacji), ekstrakcji wiedzy z danych, oraz optymalizacji. Na wykładach zagadnienia te zostają omówione na przykładzie najbardziej popularnych algorytmów, a na laboratorium studenci samodzielnie tworzą takie systemy i analizują ich działanie, tak z wykorzystaniem dedykowanego oprogramowania jak i własnego kodu.

W cyklu 2021/2022-Z:

Celem przedmiotu jest zapoznanie studentów z metodami sztucznej inteligencji w jej podstawowych zagadnieniach: klasyfikacji, regresji, selekcji danych, grupowania danych (klasteryzacji), ekstrakcji wiedzy z danych (omówionej przy poszczególnych modelach), oraz optymalizacji. Na wykładach zagadnienia te zostają omówione na przykładzie najbardziej popularnych algorytmów, a na laboratorium studenci samodzielnie analizują takie systemy z wykorzystanaiem dedykowanego oprogramowania.

Koordynatorzy przedmiotu

Mirosław Kordos

Ocena końcowa

Ocena końcowa jest średnią ważoną oceną z laboratorium i wykładu. Przy czym, każda z nich musi być co najmniej 3.0.

Wymagania wstępne

 Programowanie I, II i III  Metody numeryczne

Literatura podstawowa

 Leszek Rutkowski, Metody i techniki sztucznej inteligencji, PWN, 2006  Christopher Bishop: „Pattern Recognition in Machine Learning”, Springer 2011  David Goldberg: Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley 1989, polskie wydanie: „Algorytmy genetyczne i ich zastosowania”, WNT 1995  Anna Ławrynowicz: „Genetic algorithms for advanced planning and scheduling in supply networks”, Difin 2013  Shai Shalev-Shwartz and Shai Ben-David: “Understanding Machine Learning:From Theory to Algorithms”, Cambridge University Press, https://www.cs.huji.ac.il/~shais/ UnderstandingMachineLearning  http://deeplearning.net – artykuły, wykłady  https://www.pytorch.org  https://scikit-learn.org  https://www.tensorflow.org  Mirosław Kordos: “Search-based Algorithms for Multilayer Perceptron”, Politechnika Śląska, 2005

Literatura uzupełniająca

 Mirosław Kordos: „Instance Selection in Machine Learning”, Wydawnictwo Naukowe ATH, 2019  https://www.tensorflow.org  https://rapidminer.com

Inne informacje

brak

Efekty kształcenia

WIEDZA
Ma uporządkowaną wiedzę w zakresie algorytmów sztucznej inteligencji i ich złożoności obliczeniowej.
IF1A_W03
P_W02
Ma uporządkowaną wiedzę w zakresie metod i technik programowania algorytmów inteligencji
IF1A_W04
2
obliczeniowej.
UMIEJĘTNOŚCI
P_U01
Potrafi przeprowadzić analizę i wybrać metody obliczeniowe do rozwiązania zagadnień predykcji i optymalizacji według kryteriów minimalizacji kosztów obliczeniowych, stabilności, złożoności itp.
IF1A_U11
P_U02
Potrafi wykorzystać poznane metody i modele matematyczne, a także symulacje komputerowe do analizy i oceny działania systemów sztucznej inteligencji.
IF1A_U09
P_U03
Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł zarówno w języku polskim jak i w języku angielskim niezbędne do budowy odpowiednich modeli sztucznej inteligencji.
IF1A_U01
KOMPETENCJE SPOŁECZNE
P_K01
Potrafi pracować w zespole w roli osoby inspirującej, lidera grupy lub członka grupy.
IF1A_K03
P_K02
Rozumie potrzebę i zna możliwości ciągłego dokształcania się – podnoszenia kompetencji zawodowych.
IF1A_K01

Kryteria oceniania

Ocena końcowa jest średnią ważoną oceną z laboratorium i wykładu. Przy czym, każda z nich musi być co najmniej 3.0.

Literatura

 Leszek Rutkowski, Metody i techniki sztucznej inteligencji, PWN, 2006
 Christopher Bishop: „Pattern Recognition in Machine Learning”, Springer 2011
 David Goldberg: Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley 1989, polskie wydanie: „Algorytmy genetyczne i ich zastosowania”, WNT 1995
 Anna Ławrynowicz: „Genetic algorithms for advanced planning and scheduling in supply networks”, Difin 2013
 Shai Shalev-Shwartz and Shai Ben-David: “Understanding Machine Learning:From Theory to Algorithms”, Cambridge University Press, https://www.cs.huji.ac.il/~shais/ UnderstandingMachineLearning
 http://deeplearning.net – artykuły, wykłady
 https://rapidminer.com
 https://www.pytorch.org
 https://scikit-learn.org
 https://www.tensorflow.org
 Mirosław Kordos: „Instance Selection in Machine Learning”, Wydawnictwo Naukowe ATH, 2019
 Mirosław Kordos: “Search-based Algorithms for Multilayer Perceptron”, Politechnika Śląska, 2005

W cyklu 2022/2023-L:

Leszek Rutkowski, Metody i techniki sztucznej inteligencji, PWN, 2006
 Christopher Bishop: „Pattern Recognition in Machine Learning”, Springer 2011
 David Goldberg: Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley 1989, polskie wydanie: „Algorytmy genetyczne i ich zastosowania”, WNT 1995
 Anna Ławrynowicz: „Genetic algorithms for advanced planning and scheduling in supply networks”, Difin 2013
 Shai Shalev-Shwartz and Shai Ben-David: “Understanding Machine Learning:From Theory to Algorithms”, Cambridge University Press, https://www.cs.huji.ac.il/~shais/ UnderstandingMachineLearning
 http://deeplearning.net – artykuły, wykłady
 https://rapidminer.com
 https://www.pytorch.org
 https://scikit-learn.org
 https://www.tensorflow.org
 Mirosław Kordos: „Instance Selection in Machine Learning”, Wydawnictwo Naukowe ATH, 2019
 Mirosław Kordos: “Search-based Algorithms for Multilayer Perceptron”, Politechnika Śląska, 2005

W cyklu 2023/2024-L:

W cyklu 2024/2025-L:

Metody sztucznej inteligencji I-SI7O>MSI

Koordynatorzy przedmiotu

<b>Ocena końcowa</b>

<b>Wymagania wstępne</b>

<b>Literatura podstawowa</b>

<b>Literatura uzupełniająca</b>

<b>Inne informacje</b>

Efekty kształcenia

Kryteria oceniania

Literatura