"Akademia Nauk Stosowanych Stefana Batorego" - Centralny System Uwierzytelniania
Strona główna

Podstawy sztucznej inteligencji

Informacje ogólne

Kod przedmiotu: 0202-INF-1-5021N
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Podstawy sztucznej inteligencji
Jednostka: Instytut Nauk Informatyczno-Technicznych
Grupy: Informatyka, semestr V, tryb niestacjonarny
Informatyka, semestr V, tryb niestacjonarny BBiS
Informatyka, semestr V, tryb niestacjonarny GiPD
Punkty ECTS i inne: 5.00 LUB 4.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
zobacz reguły punktacji
Język prowadzenia: polski
Skrócony opis:

Student zostaje wprowadzony w problematykę sztucznej inteligencji oraz nabywa praktycznych umiejętności pozwalających na:

  • implementację algorytmów sztucznej inteligencji;
  • dokonanie ewaluacji algorytmów sztucznej inteligencji;
  • selekcję algorytmu optymalnego w zdefiniowanych kryteriach.

Do udziału w przedmiocie niezbędne są umiejętność programowania oraz znajomość zagadnień z zakresu statystyki.
Pełny opis:

Szczegółowe informacje o wymaganiach wstępnych, treściach kształcenia oraz metodach dydaktycznych i pomocach naukowych są dostępne w części dotyczącej cyklu dydaktycznego.
Literatura:

Podstawowa:

Pozycja 1. Aggarwal, C.C., Hinneburg, A., Keim, D.A.: On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, Vol. 1973, p. 420-434, Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44503-X_27

Pozycja 2. Duda, R.O., Hart, P.E., Stork, D.G. Chapter 4 – Nonparametric Techniques, Pattern Classification (Second Edition), Wiley-Interscience 2000, pp.161-214, ISBN: 0-471-05669-3

Pozycja 3. Guo, Gongde & Wang, Hui & Bell, David & Bi, Yaxin. (2004). KNN Model-Based Approach in Classification

Pozycja 4. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015,

5, pp. 1–11

Uzupełniająca:

Pozycja 5. Bednarek Józef (red.), Człowiek w obliczu szans cyberprzestrzeni i świata wirtualnego, Difin, Warszawa 2014.

Pozycja 6. Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika : konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, Warszawa, Polska. DOI: 10.15199/13.2019.6.13

Pozycja 7. Rybak, Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, Issue 10, Basel, Switzerland. DOI: 10.3390/e22101088

Pozycja 8. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11
Efekty uczenia się:

Wiedza

(„Student zna i rozumie…”)

- metody organizacji informacji oraz funkcjonowanie baz danych, w tym ich administrację i zabezpieczenia na wszystkich etapach obsługi klienta (INZ_W05),

- kluczowe zagadnienia dotyczące infrastruktury informatycznej, obejmujące sieci komputerowe i ich zastosowania, systemy operacyjne, organizację i zarządzanie danymi, bezpieczeństwo systemów oraz obowiązujące normy techniczne w branży IT (INZ_W08),

- podstawowe aspekty prawne i etyczne związane z pozyskiwaniem, przetwarzaniem i udostępnianiem informacji przechowywanych w bazach danych (INZ_W12).

Umiejętności

(„Student potrafi…”)

- efektywnie pracować zarówno indywidualnie, jak i w zespole, określać role w ramach grupowych projektów inżynierskich oraz realizować zaplanowany harmonogram działań w wyznaczonym czasie (INZ_U02),

- przygotowywać dokumentację techniczną dotyczącą realizacji zadań inżynierskich w języku polskim i obcym, zgodnie z obowiązującymi normami i standardami (INZ_U03),

- posługiwać się językiem angielskim na poziomie B2 według Europejskiego Systemu Opisu Kształcenia Językowego oraz stosować specjalistyczną terminologię branżową, umożliwiającą analizę tekstów technicznych z zakresu informatyki i telekomunikacji oraz skuteczną komunikację ustną i pisemną (INZ_U06).

Kompetencje społeczne

(„Student jest gotów do…”)

- współpracy w ramach zespołów projektowych, wykazywania inicjatywy oraz podejmowania działań przedsiębiorczych (INZ_K02),

- ustalania właściwych priorytetów przy rozwiązywaniu problemów oraz przestrzegania zasad uczciwości intelektualnej w pracy zespołowej i postępowania zgodnie z normami etycznymi (K_K03),

- stosowania skutecznych metod uczenia się oraz samokształcenia, dążenia do ciągłego rozwoju zawodowego i językowego; student rozwija swoje kompetencje komunikacyjne w języku angielskim w kontekście branżowym i codziennym, a także wykazuje otwartość na różnorodność kulturową i szacunek wobec innych użytkowników języka (INZ_K07).
Metody i kryteria oceniania:

Wartość oceny z przedmiotu jest średnią ważoną ocen uzyskanych ze wszystkich form zajęć zgodnie ze schematem:

  • Waga oceny z wykładu: 0.3
  • Waga oceny z ćwiczeń praktycznych: 0.7

Uzyskana wartość jest następnie przeliczana na ocenę z przedmiotu zgodnie z poniższym schematem:

  • 5.00-4.75 - bardzo dobry (5.0)
  • 4.74-4.25 - dobry plus (4.5)
  • 4.24-3.75 - dobry (4.0)
  • 3.74-3.25 - dostateczny plus (3.5)
  • 3.24-3.00 - dostateczny (3.0)
  • 3.00> - niedostateczny (2.0)
Praktyki zawodowe:

Informacje jak postępować z zaliczeniem praktyk zawodowych są dostępne na stronie ANSB.

Zajęcia w cyklu "Semestr zimowy 2021/2022" (zakończony)

Okres: 2021-10-01 - 2022-02-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia praktyczne, 21 godzin więcej informacji
Wykład, 9 godzin więcej informacji
Koordynatorzy: Łukasz Rybak
Prowadzący grup: Łukasz Rybak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia praktyczne - Zaliczenie na ocenę
Wykład - Egzamin
Pełny opis:

Wymagania wstępne i dodatkowe:

Języki i paradygmaty programowania, Programowanie I, Programowanie II, Programowanie III


Treści kształcenia:

  1. Repozytorium zbiorów danych i metadane
  2. Wczytywanie zbioru danych
  3. Definiowanie metadanych
  4. k-krotna walidacja krzyżowa
  5. Algorytm k-najbliższych sąsiadów
  6. Tworzenie macierzy pomyłek
  7. Wyznaczanie wartości miar jakości klasyfikatora na podstawie macierzy pomyłek
  8. Zapis metadanych i rezultatów klasyfikacji do pliku


Metody dydaktyczne i pomoce naukowe:

Studium przypadku, Praca z danymi, Praca z użyciem komputera, Ćwiczenia praktyczne, Metoda projektów, Praca własna studenta
Literatura:

Podstawowa:

  • Aggarwal, C.C., Hinneburg, A., Keim, D.A.: On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, Vol. 1973, p. 420-434, Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44503-X_27
  • Duda, R.O., Hart, P.E., Stork, D.G. Chapter 4 – Nonparametric Techniques, Pattern Classification (Second Edition), Wiley-Interscience 2000, pp.161-214, ISBN: 0-471-05669-3
  • Guo, Gongde & Wang, Hui & Bell, David & Bi, Yaxin. (2004). KNN Model-Based Approach in Classification
  • Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11


Uzupełniająca:

  • Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika : konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, Warszawa, Polska. DOI: 10.15199/13.2019.6.13
  • Rybak, Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, Issue 10, Basel, Switzerland. DOI: 10.3390/e22101088
  • Rybak, Ł.; Dudczyk, J.: Variant of Data Particle Geometrical Divide for Imbalanced Data Sets Classification by the Example of Occupancy Detection Applied Sciences 2021, Vol. 11, Issue 11, Basel, Switzerland. DOI: 10.3390/app11114970

Zajęcia w cyklu "Semestr zimowy 2022/2023" (zakończony)

Okres: 2022-10-01 - 2023-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia praktyczne, 21 godzin więcej informacji
Wykład, 9 godzin więcej informacji
Koordynatorzy: Łukasz Rybak
Prowadzący grup: Łukasz Rybak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia praktyczne - Zaliczenie na ocenę
Wykład - Egzamin
Pełny opis:

Wymagania wstępne i dodatkowe:

Języki i paradygmaty programowania, Metody probabilistyczne i statystyka, Programowanie I, Programowanie II, Programowanie III


Treści kształcenia:

Wykład:

  1. Miary zróżnicowania rozkładu cech w kontekście analizy właściwości modelu predykcyjnego [1 godz.]
  2. Idea i właściwości klasyfikatora minimalno-odległościowego [2 godz.]
  3. Idea i właściwości klasyfikatora grawitacyjnego [2 godz.]
  4. Stosowane metryki ewaluacji nadzorowanych algorytmów uczenia maszynowego [2 godz.]
  5. Zdolność generalizacji modelu predykcyjnego i metody jej badania [1 godz.]
  6. Testy statystyczne w selekcji algorytmu ML optymalnego w zdefiniowanych kryteriach [1 godz.]

Ćwiczenia praktyczne:

  1. Definiowanie metadanych zbioru danych za pośrednictwem wyznaczania wartości miar zróżnicowania rozkładu cech [3 godz.]
  2. Klasyfikacja z zastosowaniem klasyfikatora minimalno-odległościowego [6 godz.]
  3. Klasyfikacja z zastosowaniem klasyfikatora grawitacyjnego [6 godz.]
  4. Wyznaczanie wartości metryk ewaluacji nadzorowanych algorytmów uczenia maszynowego [2 godz.]
  5. Badanie zdolności generalizacji modeli predykcyjnych z zastosowaniem k-krotnej walidacji krzyżowej [3 godz.]
  6. Zastosowanie testów statystycznych w selekcji algorytmu optymalnego w zdefiniowanych kryteriach [1 godz.]


Metody dydaktyczne i pomoce naukowe:

Studium przypadku, Praca z danymi, Praca z użyciem komputera, Ćwiczenia praktyczne, Metoda projektów, Praca własna studenta
Literatura:

Podstawowa:

  • Aggarwal, C.C., Hinneburg, A., Keim, D.A.: On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, Vol. 1973, p. 420-434, Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44503-X_27
  • Duda, R.O., Hart, P.E., Stork, D.G. Chapter 4 – Nonparametric Techniques, Pattern Classification (Second Edition), Wiley-Interscience 2000, pp.161-214, ISBN: 0-471-05669-3
  • Guo, Gongde & Wang, Hui & Bell, David & Bi, Yaxin. (2004). KNN Model-Based Approach in Classification
  • Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11
  • Rybak, Ł.: Rozprawa doktorska na temat "Geometryczny podział cząstki danych w klasyfikacji wielowymiarowych zbiorów danych". Politechnika Łódzka 2022
  • Rybak, Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, Issue 10, Basel, Switzerland. DOI: 10.3390/e22101088
  • Rybak, Ł.; Dudczyk, J.: Variant of Data Particle Geometrical Divide for Imbalanced Data Sets Classification by the Example of Occupancy Detection. Applied Sciences 2021, Vol. 11, Issue 11, Basel, Switzerland. DOI: 10.3390/app11114970


Uzupełniająca:

  • Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika : konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, Warszawa, Polska. DOI: 10.15199/13.2019.6.13

Zajęcia w cyklu "Semestr zimowy 2023/2024" (zakończony)

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia praktyczne, 15 godzin więcej informacji
Wykład, 9 godzin więcej informacji
Koordynatorzy: Marcelina Otręba
Prowadzący grup: Marcelina Otręba
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia praktyczne - Zaliczenie na ocenę
Wykład - Egzamin
Pełny opis:

Student zostaje wprowadzony w problematykę sztucznej inteligencji oraz nabywa praktycznych umiejętności, które pozwalają na:

• implementację algorytmów sztucznej inteligencji;

• dokonanie ewaluacji algorytmów sztucznej inteligencji;

• selekcję algorytmu optymalnego w zdefiniowanych kryteriach.

• Tworzenie diagramów w programie Modelio Source Open 5.3.1

Do udziału w przedmiocie niezbędne są umiejętność programowania oraz znajomość zagadnień z zakresu statystyki oraz j. angielskiego.
Literatura:

Podstawowa:

Pozycja 1. Aggarwal, C.C., Hinneburg, A., Keim, D.A.: On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, Vol. 1973, p. 420-434, Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44503-X_27

Pozycja 2. Duda, R.O., Hart, P.E., Stork, D.G. Chapter 4 – Nonparametric Techniques, Pattern Classification (Second Edition), Wiley-Interscience 2000, pp.161-214, ISBN: 0-471-05669-3

Pozycja 3. Guo, Gongde & Wang, Hui & Bell, David & Bi, Yaxin. (2004). KNN Model-Based Approach in Classification

Pozycja 4. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11

Uzupełniająca:

Pozycja 5. Bednarek Józef (red.), Człowiek w obliczu szans cyberprzestrzeni i świata wirtualnego, Difin, Warszawa 2014.

Pozycja 6. Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika : konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, Warszawa, Polska. DOI: 10.15199/13.2019.6.13

Pozycja 7. Rybak, Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, Issue 10, Basel, Switzerland. DOI: 10.3390/e22101088

Pozycja 8. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11

Zajęcia w cyklu "Semestr zimowy 2024/2025" (zakończony)

Okres: 2024-10-01 - 2025-02-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia praktyczne, 15 godzin więcej informacji
Wykład, 9 godzin więcej informacji
Koordynatorzy: Marcelina Otręba
Prowadzący grup: Marcelina Otręba
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia praktyczne - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Student zostaje wprowadzony w problematykę sztucznej inteligencji oraz nabywa praktycznych umiejętności pozwalających na:

  • implementację algorytmów sztucznej inteligencji;
  • dokonanie ewaluacji algorytmów sztucznej inteligencji;
  • selekcję algorytmu optymalnego w zdefiniowanych kryteriach.

Do udziału w przedmiocie niezbędne są umiejętność programowania oraz znajomość zagadnień z zakresu statystyki.
Pełny opis:

Student zostaje wprowadzony w problematykę sztucznej inteligencji oraz nabywa praktycznych umiejętności, które pozwalają na:

• implementację algorytmów sztucznej inteligencji;

• dokonanie ewaluacji algorytmów sztucznej inteligencji;

• zapoznanie się z tworzeniem poleceń dla sztucznej inteligencji,

• selekcję algorytmu optymalnego w zdefiniowanych kryteriach.

• Tworzenie diagramów w programie Modelio Source Open 5.3.1

Do udziału w przedmiocie niezbędne są umiejętność programowania oraz znajomość zagadnień z zakresu statystyki oraz j. angielskiego.
Literatura:

Podstawowa:

Pozycja 1. Aggarwal, C.C., Hinneburg, A., Keim, D.A.: On the Surprising Behavior of Distance Metrics in High Dimensional Space. In: Van den Bussche J., Vianu V. (eds) Database Theory — ICDT 2001. ICDT 2001. Lecture Notes in Computer Science, Vol. 1973, p. 420-434, Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44503-X_27

Pozycja 2. Duda, R.O., Hart, P.E., Stork, D.G. Chapter 4 – Nonparametric Techniques, Pattern Classification (Second Edition), Wiley-Interscience 2000, pp.161-214, ISBN: 0-471-05669-3

Pozycja 3. Guo, Gongde & Wang, Hui & Bell, David & Bi, Yaxin. (2004). KNN Model-Based Approach in Classification

Pozycja 4. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015,

5, pp. 1–11

Uzupełniająca:

Pozycja 5. Bednarek Józef (red.), Człowiek w obliczu szans cyberprzestrzeni i świata wirtualnego, Difin, Warszawa 2014.

Pozycja 6. Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika : konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, Warszawa, Polska. DOI: 10.15199/13.2019.6.13

Pozycja 7. Rybak, Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, Issue 10, Basel, Switzerland. DOI: 10.3390/e22101088

Pozycja 8. Hossin, M.; Sulaiman, M.N. A Review on evaluation metrics for data classification evaluations. Int. J. Data Min. Knowl. Manag. Process 2015, 5, pp. 1–11
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest "Akademia Nauk Stosowanych Stefana Batorego".
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-9 (2024-12-18)