| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | MBM_2A_UM/09-1_W01 | zna metody i współczesne trendy przy rozwiązywaniu złożonych zadań w dziedzinach właściwych kierunkowi studiów |
|---|
| Odniesienie do efektów kształcenia dla kierunku studiów | MBM_2A_W08 | ma poszerzoną wiedzę i zna trendy rozwojowe i główne osiągnięcia naukowe w swojej specjalności, w obszarach konstrukcji, technologii i eksploatacji maszyn i urządzeń, a także energetyki oraz zarządzania |
|---|
| Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | T2A_W05 | ma wiedzę o trendach rozwojowych i najistotniejszych nowych osiągnięciach z zakresu dziedzin nauki i dyscyplin naukowych, właściwych dla studiowanego kierunku studiów i pokrewnych dyscyplin naukowych |
|---|
| Cel przedmiotu | C-1 | Poznanie dziedzin sztucznej inteligencji korespondujących z kierunkiem studiów.
Zdobycie umiejętności wykorzystania metod: algorytmów genetycznych, sztucznych sieci neuronowych, logiki rozmytej oraz systemów ekspertowych. |
|---|
| Treści programowe | T-W-1 | Definicje ogólne, pojęcia, klasyfikacja i charakterystyka dziedzin sztucznej inteligencji (AI). Analogie biologiczne, bionika. Złożoność obliczeniowa, efektywność algorytmów. Algorytmy genetyczne; pojęcia, zbieżność, kodowanie, operacje genetyczne, zadania optymalizacji. Sztuczne sieci neuronowe; pojęcia, rodzaje, metody uczenia (backpropagation), zastosowania wybranych sieci. Systemy ekspertowe (SE); moduły SE, inżynieria wiedzy, bazy wiedzy, metody wnioskowania, elementy języków programowania logicznego, zastosowania. Teoria zbiorów rozmytych i Fuzzy Logic; pojęcia, definicje, operacje na zbiorach rozmytych, normy trójkątne, bazy reguł rozmytych, wnioskowanie przybliżone, przykłady zastosowań. Automaty komórkowe; model matematyczny, rodzaje, przykłady reguł transformacji, przykłady zastosowań w technice. |
|---|
| T-L-1 | Rozwiązywanie zadań z dziedziny algorytmów genetycznych (zadanie komiwojażera, harmonogramowanie, optymalizacja). Modelowanie funkcji logicznych oraz rozpoznawanie obrazów za pomocą sztucznych sieci neuronowych. Badanie systemu ekspertowego typu shell, projekt regułowej bazy wiedzy. Rozwiązywanie zadań w języku logiki (Turbo Prolog, Clips). Przykłady wykorzystanie programu Fuzzy Logic (np. do dobór urządzeń technologicznych w gnieździe obróbkowym). Prezentacja i wykorzystanie programu z dziedziny automatów komórkowych (np. droga narzędzia w cyklu obróbkowym). |
| Metody nauczania | M-1 | Wykład informacyjny ilustrowany przezroczami
Filmy dydaktyczne
Swobodne wypowiedzi na tematy kontrowersyjne |
|---|
| Sposób oceny | S-2 | Ocena formująca: Opracowanie zindywidualizowanych sprawozdań |
|---|
| S-1 | Ocena formująca: Aktywność na zajeciach |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | odróżnia znaczenie pojęć sztuczna (AI) i naturalna inteligencja |
| 3,0 | potrafi wymienić kilka wybranych dziedzin sztucznej inteligencji |
| 3,5 | rozumie podstawowe paradygmaty najważniejszych dziedzin sztucznej inteligencji |
| 4,0 | aktywnie potrafi wykorzystać wybrane dziedziny sztucznej inteligencji w zadaniach związanych z kierunkiem studiów |
| 4,5 | potrafi dobrać i korzystać z pakietów oprogramowania, umie zastosować metody AI w zadaniach praktycznych, wykazuje własną inwencję w zastosowaniu metod AI |
| 5,0 | pozytywny wynik kolokwium, bez zarzutu opracowane sprawozdania, wykazanie się znajomościa poznanych metod sztucznej inteligencji i ich praktycznym zastosowaniem. |