Advanced decision support systems - opis przedmiotu

Informacje ogólne

Nazwa przedmiotu	Advanced decision support systems
Kod przedmiotu	06.0-WE-AutD-AdvDecSuppSyst-Er
Wydział	Wydział Nauk Inżynieryjno-Technicznych
Kierunek	Automatyka i robotyka
Profil	ogólnoakademicki
Rodzaj studiów	Program Erasmus drugiego stopnia
Semestr rozpoczęcia	semestr letni 2024/2025

Informacje o przedmiocie

Semestr	3
Liczba punktów ECTS do zdobycia	6
Typ przedmiotu	obowiązkowy
Język nauczania	angielski
Sylabus opracował	dr hab. inż. Andrzej Pieczyński, prof. UZ

Formy zajęć

Forma zajęć	Liczba godzin w semestrze (stacjonarne)	Liczba godzin w tygodniu (stacjonarne)	Liczba godzin w semestrze (niestacjonarne)	Liczba godzin w tygodniu (niestacjonarne)	Forma zaliczenia
Wykład	15	1	-	-	Zaliczenie na ocenę
Laboratorium	15	1	-	-	Zaliczenie na ocenę

Cel przedmiotu

to familiarize students with advanced techniques of extracting knowledge from data
to know methods of applying soft computing in decision making systems
shaping the skills of building hybrid expert systems
acquiring skills in building decision systems with uncertain and imprecise knowledge

Wymagania wstępne

Decision support systems, Artificial intelligence methods.

Zakres tematyczny

Making decisions in the conditions of incomplete, uncertain and imprecise information. Parametric and nonparametric decision problems. Application of expert systems. Theory of possibilities. Application of rough and fuzzy sets in knowledge bases. Decision tree optimization. Discovering knowledge in databases, data mining. Preliminary preparation of data. The use of soft calculations in extracting knowledge from data (data mining).

Application of neural networks in decision making. Neural networks in grouping and classification. Extraction of knowledge from data using neural networks.
Fuzzy decision systems. Neurofuzzy systems in creating knowledge base. Fuzzy classifiers. Various types of neuro-fuzzy decision-making systems.
The use of rough sets in decision support. Rough sets based on dominance. Induction of classification patterns in the form of decision rules.
Designing decision support systems. Hybrid decision systems.

Metody kształcenia

Lecture, laboratory exercises

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Lecture – the main condition to get a pass is a sufficient mark in a written or oral exam.
Laboratory – the passing condition is to obtain positive marks from all laboratory exercises to be planned during the semester.
Calculation of the final grade: lecture 50% + laboratory 50%

Literatura podstawowa

J. Łęski, Systemy neuronowo-rozmyte, Wydawnictwa Naukowo-Techniczne, Warszawa, 2008.
2. R. K. Nowicki, Rozmyte systemy decyzyjne w zadaniach z ograniczoną wiedzą, Akademicka Oficyna Wydawnicza Exit, Warszawa, 2009.
3. D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i zbiory rozmyte, Wydawnictwo Naukowe PWN, Warszawa, 1999.
4. J. Surma J.: Business Intelligence Systemy wspomagania decyzji biznesowych, WN PWN SA, Warszawa 2012.
5. D.T. Laros: Metody i modele eksploracji danych. WN PWN SA, Warszawa 2012.

Literatura uzupełniająca

Pieczyński, Reprezentacja wiedzy w diagnostycznym systemie ekspertowym, Lubuskie Towarzystwo Naukowe w Zielonej Górze, Zielona Góra, 2003.
B. Nadiru, J. Y. Cheung, Fuzzy Engineering Expert Systems with Neural Network Applications, John Wiley & Sons, Inc. New York, 2002.

Uwagi

Zmodyfikowane przez dr hab. inż. Wojciech Paszke, prof. UZ (ostatnia modyfikacja: 09-04-2024 14:14)