Sztuczna inteligencja

Nazwa przedmiotu:
SZTUCZNA INTELIGENCJA
Artificial intelligence
Kierunek:
Forma studiów:
Kod przedmiotu:
Informatyka
Stacjonarne
Rodzaj przedmiotu:
Poziom kwalifikacji:
obowiązkowy w ramach treści
kierunkowych, moduł kierunkowy
oólny
I stopnia
C5_20
Rok: III
Semestr: V
Rodzaj zajęć:
Liczba godzin/tydzień:
Liczba punktów:
wykład, laboratorium
2W, 2L
5 ECTS
PRZEWODNIK PO PRZEDMIOCIE
I KARTA PRZEDMIOTU
CEL PRZEDMIOTU
C1. Zapoznanie studentów z podstawowymi metodami i technikami stosowanymi w sztucznej
inteligencji.
C2. Nabycie przez studentów praktycznych umiejętności posługiwania się metodami sztucznej
inteligencji do rozwiązywania problemów z dziedziny AI.
WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1. Wiedza z zakresu podstaw programowania i matematyki.
2. Umiejętność doboru metod podczas analizy i rozwiązywania postawionych zadań z dziedziny
sztucznej inteligencji.
3. Umiejętność wykonywania działań matematycznych do rozwiązywania postawionych zadań.
4. Umiejętność korzystania z różnych źródeł informacji w tym z instrukcji i dokumentacji
technicznej.
5. Umiejętności pracy samodzielnej i w grupie.
6. Umiejętności prawidłowej interpretacji i prezentacji własnych działań.
EFEKTY KSZTAŁCENIA
EK 1 – posiada podstawową wiedzę teoretyczną z zakresu sztucznej inteligencji,
EK 2 – zna tendencje i kierunki rozwoju w zakresie projektowania systemów związanych ze
sztuczna inteligencją,
EK 3 – zna podstawowe modele sieci neuronowych i ich metody uczenia oraz potrafi wyznaczyć
podstawowe parametry sieci neuronowych, korzystając z odpowiednich metod uczenia,
EK 4 – posiada podstawową wiedzę na temat definicji problemu, stosowania procedur do
poszukiwania rozwiązań.
EK 5 – zna podstawowe zagadnienia związane z algorytmami niedeterministycznymi, potrafi
zastosować algorytm genetyczny do rozwiązania praktycznych zagadnień związanych z
poszukiwaniem optymalnego rozwiązania.
EK 6– ma ogólną wiedzę w zakresie eksploracji danych i wykorzystaniu analizy skupień do
rozpoznawania wzorców,
EK7 - zna podstawowe pojęcia z zakresu rachunku predykatów pierwszego rzędu,
EK8 – potrafi wykorzystać język Prolog do budowy bazy wiedzy opartej na rachunku predykatów,
EK9 – zna podstawowe zagadnienia związane z przetwarzaniem języka naturalnego, syntezy
mowy oraz sieci semantycznych,
EK 10 – posiada ogólna wiedzę w zakresie logiki rozmytej i budowy systemów rozmytych,
EK11 – zna podstawowe zagadnienia z systemów eksperckich i robotyki,
EK 12 – potrafi przygotować sprawozdanie z przebiegu realizacji ćwiczeń.
TREŚCI PROGRAMOWE
Forma zajęć – WYKŁADY
W 1 – Wprowadzenie do AI, historia rozwoju oraz przykładowe projekty.
W 2 – Sztuczne sieci neuronowe jednokierunkowe, ich modele i uczenie.
W 3 – Sztuczne sieci neuronowe samoorganizujące się, ich modele i uczenie.
W 4 – Metody szukania nieukierunkowanego.
W 5 – Metody szukania heurystycznego.
W 6 – Gry planszowe, przykładowe algorytmy.
W 7 – Algorytmy niedeterministyczne.
W 8 – Eksploracja danych z wykorzystaniem analizy skupień.
W 9 – Podstawy rachunku predykatów pierwszego rzędu.
W 10 – Sieci semantyczne
W 11 – Przetwarzanie języka naturalnego, synteza mowy.
W 12 – Podstawy teorii logiki rozmytej.
W 13 – Sterowniki rozmyte
W 14 – Systemy eksperckie, budowa i przykłady zastosowań.
W 15 – Robotyka, podstawowe pojęcia i przykłady zastosowań.
Forma zajęć – LABORATORIUM
L 1 – Wprowadzenie do środowiska Scilab.
L 2 – Tworzenie zbiorów uczących liniowo-separowalnych.
L 3 – Zaprojektowanie sieci neuronowej jednowarstwowej.
L 4 – Uczenie i testowanie sieci jednowarstwowej, prezentacja otrzymanych wyników.
L 5 – Zaprojektowanie sieci neuronowej wielowarstwowej.
L 6 – Uczenie i testowanie sieci wielowarstwowej, prezentacja otrzymanych wyników.
L 7 – Zaprojektowanie sieci neuronowej samoorganizującej się.
L 8 – Uczenie i testowanie sieci samoorganizującej się.
L 9 – Algorytm genetyczny – tworzenie populacji początkowej, kodowanie osobników.
L 10 – Algorytm genetyczny – realizacja metody selekcji osobników.
L 11 – Implementacja algorytmu genetycznego z przykładową funkcją celu.
L 12 – Język Prolog – wprowadzenie do języka.
L 13 – Język Prolog – zapisywanie faktów, reguł oraz wykonywanie zapytań.
L 14 – Zastosowanie języka Prolog do znajdowanie rozwiązań przykładowych zadań.
L 15 – Zastosowanie języka Prolog do budowy prostego systemu ekspertowego.
Liczba
godzin
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Liczba
godzin
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
NARZĘDZIA DYDAKTYCZNE
1. – wykład z wykorzystaniem prezentacji multimedialnych
2. – ćwiczenia laboratoryjne, opracowanie sprawozdań z realizacji przebiegu ćwiczeń
3. – przykładowe programy realizujące techniki sztucznej inteligencji
4. – środowisko programistyczne do symulacji metod sztucznej inteligencji
5. – instrukcje do wykonania ćwiczeń laboratoryjnych
2
SPOSOBY OCENY ( F – FORMUJĄCA, P – PODSUMOWUJĄCA)
F1. – ocena przygotowania do ćwiczeń laboratoryjnych
F2. – ocena umiejętności stosowania zdobytej wiedzy podczas wykonywania ćwiczeń
F3. – ocena sprawozdań z realizacji ćwiczeń objętych programem nauczania
F4. – ocena aktywności podczas zajęć
P1. – ocena umiejętności rozwiązywania postawionych problemów oraz sposobu prezentacji
uzyskanych wyników – zaliczenie na ocenę*
P2. – ocena opanowania materiału nauczania będącego przedmiotem wykładu – zaliczenie wykładu
(lub egzamin)
*) warunkiem uzyskania zaliczenia jest otrzymanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych,
OBCIĄŻENIE PRACĄ STUDENTA
Forma aktywności
Godziny kontaktowe z prowadzącym
Średnia liczba godzin na
zrealizowanie aktywności
30W 30L  60 h
Godziny konsultacji z prowadzącym
5h
Zapoznanie się ze wskazaną literaturą
20 h
Przygotowanie do ćwiczeń laboratoryjnych
15 h
Wykonanie sprawozdań z realizacji ćwiczeń laboratoryjnych,
10 h
projektów (czas poza zajęciami laboratoryjnymi)
Przygotowanie do egzaminu (kolokwium)
Suma
SUMARYCZNA LICZBA PUNKTÓW ECTS DLA PRZEDMIOTU
Liczba punktów ECTS, którą student uzyskuje na zajęciach
wymagających bezpośredniego udziału prowadzącego
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o
charakterze praktycznym, w tym zajęć laboratoryjnych i
projektowych
15 h

125 h
5 ECTS
2.6 ECTS
2.2 ECTS
LITERATURA PODSTAWOWA I UZUPEŁNIAJĄCA
Cichosz P. „Systemy uczące się”, WNT, W-wa, 2000.
Flasiński M., „Wstęp do sztucznej inteligencji”, PWN, 2011.
Goldberg D.E. „Algorytmy genetyczne i ich zastosowania”, WNT 1995 ,
Kisielewicz A., „Sztuczna inteligencja i logika”, WNT,W-wa, 2011.
Ossowski S. „Sieci neuronowe w ujęciu algorytmicznym”, WNT , W-wa, 1996.
Russell S., Norvig P.,” Artificial intelligence a modern approach”, Prentice Hall, 1995.
Rutkowski L., „Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa”, W-wa,
2009,
PROWADZĄCY PRZEDMIOT ( IMIĘ, NAZWISKO, ADRES E-MAIL)
1. dr inż. Artur Starczewski [email protected]
3
MACIERZ REALIZACJI EFEKTÓW KSZTAŁCENIA
Efekt
kształcenia
Odniesienie
danego efektu do
efektów
zdefiniowanych
dla całego
programu (PEK)
Cele
przedmiotu
Treści
programowe
Narzędzia
dydaktyczne
EK1
K_W17
C1
W1-15
1,3
EK2
K_W17
C1
W14,15
1,3
EK3
K_W17
K_U20
C1,C2
W2,3
L1-L8
1-2,4-5
EK4
K_W17
C1
W4-6
1,3
EK5
K_W17
K_U20
C1,C2
W4,7
L9-L11
1-2,4-5
EK6
K_W17
C1
W8
1,3
EK7
K_W17
C1
W9
1,3
EK8
K_W17
K_U20
C1,C2
W9
L12-L15
1-2,4-5
EK9
K_W17
C1
W10,11
1,3
EK10
K_W17
C1
EK11
K_W17
C1
W14,15
1,5
EK12
K_U03
C2
L1-15
2,5
W12,13
1,3
Sposób
oceny
F1
P2
F4
P2
F1
F2
F3
P1
F4
P2
F1
F2
F3
P1
F4
P2
F4
P1
F1
F2
F3
P1
F4
P2
F4
P2
F4
P2
F2
P1
II. FORMY OCENY - SZCZEGÓŁY
Efekt
1,2,4,6,7,9,10,11
Student opanował
wiedzę z zakresu
sztucznej inteligencji,
potrafi podać
przykłady
stosowanych metod.
Na ocenę 2
Na ocenę 3
Student nie
opanował
podstawowej wiedzy
z zakresu podstaw
sztucznej inteligencji.
Student częściowo
opanował wiedzę z
zakresu podstaw
sztucznej inteligencji
Na ocenę 4
Student opanował
wiedzę z zakresu
podstaw sztucznej
inteligencji, potrafi
wskazać właściwą
metodę dla
rozwiązania dla
konkretnych zadań
Na ocenę 5
Student bardzo
dobrze opanował
wiedzę z zakresu
materiału objętego
programem
nauczania,
samodzielnie
zdobywa i poszerza
wiedzę przy użyciu
różnych źródeł
4
Efekt 3,5,8
Student posiada
umiejętności
stosowania wiedzy
w praktycznym
rozwiązywaniu
problemów
związanych ze
sztuczną inteligencją.
Efekt 12
Student potrafi
efektywnie
prezentować
i dyskutować wyniki
własnych działań
Student nie potrafi
zastosować metod w
praktycznym
rozwiązywaniu
problemów ze
sztucznej inteligencji
nawet z pomocą
wytyczonych
instrukcji oraz
prowadzącego
Student nie potrafi
wykorzystać zdobytej
wiedzy, zadania
wynikające z
realizacji ćwiczeń
wykonuje z pomocą
prowadzącego
Student poprawnie
wykorzystuje wiedzę
oraz samodzielnie
rozwiązuje problemy
wynikające w trakcie
realizacji ćwiczeń
Student potrafi
dokonać wyboru
technik stosowanych
w sztucznej
inteligencji oraz
wykonać
zaawansowane
aplikacje
wykorzystujące takie
techniki,
potrafi dokonać
oceny oraz uzasadnić
trafność przyjętych
metod
Student nie
opracował
sprawozdania/
Student nie potrafi
zaprezentować
wyników swoich
badań
Student wykonał
sprawozdanie
z wykonanego
ćwiczenia, ale nie
potrafi dokonać
interpretacji oraz
analizy wyników
własnych badań
Student wykonał
sprawozdanie
z wykonanego
ćwiczenia, potrafi
prezentować wyniki
swojej pracy oraz
dokonuje ich analizy
Student wykonał
sprawozdanie
z wykonanego
ćwiczenia, potrafi
w sposób zrozumiały
prezentować,
oraz dyskutować
osiągnięte wyniki
Dopuszcza się wystawienie oceny połówkowej o ile student spełniający wszystkie efekty
kształcenia wymagane do oceny pełnej spełnia niektóre efekty kształcenia odpowiadające
ocenie wyższej
III. INNE PRZYDATNE INFORMACJE O PRZEDMIOCIE
1. Wszelkie informacje dla studentów (instrukcje do ćwiczeń laboratoryjnych, przykładowe
aplikacje) dostępne są na stronie internetowej http://kik.pcz.pl.
2. Informacja na temat konsultacji przekazywana jest studentom podczas pierwszych zajęć danego z
przedmiotu.
5