Drukuj Eksport do pliku (MS Word)
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. 2013/2014
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: P7U_W, I.P7S_WG.o, III.P7S_WG

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: I.P7S_UW.o, III.P7S_UW.o, P7U_U
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