1. SylabUZ
2. Wydział Nauk Inżynieryjno-Technicznych
3. semestr zimowy 2023/2024
4. Informatyka - drugiego stopnia z tyt. magistra inżyniera
5. Techniki sztucznej inteligencji

Wygeneruj PDF dla tej strony

Techniki sztucznej inteligencji - opis przedmiotu

Cel przedmiotu

• zapoznanie studentów z zasadami działanie wybranych technik sztucznej inteligencji, zakresem ich zastosowań i trendach rozwojowych
• ukształtowanie umiejętności doboru odpowiedniej metody sztucznej inteligencji do rozwiązania zadanego problemu naukowego, umiejętności strojenia parametrów modeli sztucznej inteligencji i interpretacji wyników

Wymagania wstępne

Zapisz zmiany

Zakres tematyczny

Wprowadzenie do technik sztucznej inteligencji: motywacje i inspiracje biologiczno-społeczne, ogólne założenia, uczenie i organizacja danych,

Jednokierunkowe sieci neuronowe: struktura i własności, algorytm wstecznej propagacji błędu, uczenie bez nadzoru

Głębokie sieci neuronowe. Splotowe sieci neuronowe. Autoenkodery. Sieci typu LSTM (ang. Long Short Term Memory). Sieci neuronowe typu transformer. Uczenie transferowe. Zastosowanie obliczeń na kartach graficznych do uczenia głębokiego. Zastosowanie głębokich sieci neuronowych w detekcji obiektów, klasyfikacji i segmentacji obrazów.

Systemy rozmyte. Zbiory rozmyte i logika rozmyta. Operacje na zbiorach rozmytych. Proces wnioskowania rozmytego. Reguły rozmyte.

Algorytmy ewolucyjne i systemy rojowe. Podstawowe pojęcia. Ogólny schemat algorytmu ewolucyjnego. Klasy algorytmów ewolucyjnych. Prosty algorytm genetyczny. Metody kodowania.  Krzyżowanie i mutacja. Zestawienie procedur selekcji i sukcesji. Algorytmy inteligencji rojowej. Zastosowanie algorytmów ewolucyjnych i rojowych w optymalizacji
globalnej.

Metody kształcenia

Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z testów przeprowadzonych, co najmniej raz w semestrze.

Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz kolokwiów i sprawdzianów przewidzianych w ramach laboratorium.

Składowe oceny końcowej = wykład: 50% + laboratorium: 50%

Obciążenie pracą	Studia stacjonarne (w godz.)	Studia niestacjonarne (w godz.)
Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.)	75	50
Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.)	50	75
Łącznie	125	125
Punkty ECTS	Studia stacjonarne	Studia niestacjonarne
Zajęcia z udziałem nauczyciela akademickiego	3	2
Zajęcia bez udziału nauczyciela akademickiego	2	3
Łącznie	5	5

Literatura podstawowa

1. Rutkowski L.: Metody i techniki sztucznej inteligencji, WNT, Warszawa, 2015.
2. Goodfellow I., Bengio Y., Courville A.: Deep Learning, Systemy uczące się, PWN, 2018.
3. Chollet F.: Deep Learning. Praca z językiem Python i biblioteką Keras, Helion, 2019.
4. Aurelien G.: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion, 2020
5. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
6. Flasiński M.: Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011.
7. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
8. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
9. Arabas J.: Wykłady z algorytmów ewolucyjnych, WNT Warszawa 2001
10. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
11. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
12. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W.: Sieci neuronowe w inżynierii biomedycznej. Akademicka Oficyna Wydawnicza EXIT, Inżynieria
    biomedyczna. Podstawy i zastosowania, tom 9, 2013.

Literatura uzupełniająca

1. Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
2. Murphy K.P.: Machine Learning: a Probabilistic Perspective, MIT Press, 2013.
3. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
4. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6. Sieci Neuronowe, Akademicka Oficyna Wydawnicza Exit, Warszawa, 2000.
5. Tadeusiewicz R.: Sieci Neuronowe, Akademicka Oficyna Wydawnicza RM, 1993.
6. Piliński M., Rutkowska D., L. Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wyd. Naukowe PWN, Warszawa, 1997.
7. Rutkowska D.: Inteligentne systemy obliczeniowe. Algorytmy i sieci neuronowe w systemach rozmytych, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1997.

Uwagi

Zmodyfikowane przez prof. dr hab. inż. Andrzej Obuchowicz (ostatnia modyfikacja: 27-03-2023 22:28)