| Pole | KOD | Znaczenie kodu |
|---|
| Zamierzone efekty kształcenia | ZIP_1A_O/04-3_U01 | Student posiądzie umiejętność modelowania niepewnych danych, opracowywania modeli przetwarzających te dane na podstawie eksperckiej wiedzy o zależnościach istniejących w danym problemie oraz nauczy się przeprowadzania obliczeń na takich modelach w celu rozwiązywania rzeczywistych problemów, które spotka w swojej praktyce zawodowej. |
|---|
| Odniesienie do efektów kształcenia dla kierunku studiów | ZIP_1A_U17 | ma umiejętności w zakresie przeprowadzenia analizy problemów mających bezpośrednie odniesienie do zdobytej wiedzy |
|---|
| ZIP_1A_U18 | potrafi planować, przeprowadzać eksperymenty (w tym pomiary i symulacja komputerowa), interpretować uzyskane wyniki i wyciągać wnioski z eksperymentów |
| ZIP_1A_U19 | potrafi zidentyfikować i rozwiązać podstawowy problem techniczny, technologiczny lub organizacyjny związany z procesem produkcji |
| ZIP_1A_U25 | ma umiejętności w zakresie rozumienia i stosowania w praktyce zdobytej wiedzy |
| Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | T1A_U01 | potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, także w języku angielskim lub innym języku obcym uznawanym za język komunikacji międzynarodowej w zakresie studiowanego kierunku studiów; potrafi integrować uzyskane informacje, dokonywać ich interpretacji, a także wyciągać wnioski oraz formułować i uzasadniać opinie |
|---|
| T1A_U04 | potrafi przygotować i przedstawić w języku polskim i języku obcym prezentację ustną, dotyczącą szczegółowych zagadnień z zakresu studiowanego kierunku studiów |
| T1A_U08 | potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski |
| T1A_U13 | potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi |
| T1A_U14 | potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów |
| T1A_U15 | potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia |
| Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera | InzA_U01 | potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski |
|---|
| InzA_U05 | potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi |
| InzA_U06 | potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów |
| InzA_U07 | potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia |
| Cel przedmiotu | C-1 | Nabycie umiejętności wykrywania przybliżonej i niepewnej wiedzy w rozwiązywanych problemach rzeczywistych. |
|---|
| C-2 | Nabycie umiejęctności modelowania niepewnych danych oraz opracowywania modeli przetwarzających te dane na podstawie wiedzy eksperckiej. |
| C-3 | Nabycie umiejętności przeprowadzania obliczeń z wykorzystaniem modeli rozmytych. |
| Treści programowe | T-W-1 | Wiedza lingwistyczna jako główna, dominująca część wiedzy o rzeczywistości. Bazy lingwistycznej wiedzy eksperckiej o przykładowych zależnościach z różnych dziedzin życia. Konieczność przetwarzania lingwistycznej wiedzy eksperckiej przez komputery. Konieczność agregacji wiedzy eksperckiej z posiadaną wiedzą matematyczną o rozwiązywanym problemie. |
|---|
| T-W-2 | Koncepty lingwistyczne - podstawowe obiekty (kody) informacyjne stosowane przez ludzi w celu zrozumienia rzeczywistości i gromadzenia wiedzy. Definiowanie ilościowych konceptów lingwistycznych (kwantyfikatorów). Indywidualne i grupowe kwantyfikatory lingwistyczne. Deklaratywna i eksperymentalna identyfikacja kwantyfikatorów. Teoria systemów rozmytych jako nauka zajmująca sie przetwarzaniem ilościowej wiedzy lingwistycznej. Przykłady zastosowań teorii systemów rozmytych w urządzeniach i systemach technicznych, w ekonomii, w medycynie etc. |
| T-W-3 | Arytmetyka danych niepewnych. Podstawowe operacje dodawania, odejmowania, dzielenia, mnożenia danych niepewnych i ich zastosowanie do rozwiązywania równań z niewiadomymi.
Logiczna agregacja niepewnych danych jednoargumentowych w dane wieloargumentowe. Rozmyte operatory agregacyjne AND, OR i operator negacji NO. Implikacja i wnioskowanie rozmyte. Przykład konstruowania jedno-argumentowego lingwistycznego modelu rzeczywistej zależności ekonomicznej. |
| T-W-4 | Konstruowanie dwu-argumentowej lingwistycznej bazy wiedzy o przykładowym problemie ekonomicznym i prowadzenie obliczeń z użyciem tej bazy. Najczęstsze błedy popełniane przy konstruowaniu i prowadzeniu obliczeń z użyciem lingwistycznych baz wiedzy. |
| T-W-5 | Problem agregowania kryteriów składowych oceny alternatyw decyzyjnych w jedno multi-kryterium. Znane nierozmyte metody agregacji kryteriów składowych i ich wady. Metoda wydobywania (elicytacji) multi-kryterium jednego eksperta na przykładzie problemu oceny atrakcyjności gry (inwestycji) typu niepewny zysk/ niepewna strata. |
| T-W-6 | Problem konstruowania multi-kryterium oceny agregującego wiele kryteriów składowych na przykładzie oceny atrakcyjności ofert przetargowych. Metoda testowania dokładności uzyskanego multi-kryterium. Metoda dekompozycji zbyt złożonej, globalnej lingwistycznej bazy wiedzy eksperta w prostsze bazy składowe. |
| T-W-7 | Agregacja zróżnicowanych opinii wielu ekspertów w jedną opinię reprezentatywna. Klasyczne metody agregacji i ich wady. Metoda agregacji oparta na koncepcji wewnętrznego sygnału eksperta. Przykłady agregacji ocen wielu ekspertów na przykładzie wyceny wartości firmy. |
| T-W-8 | Przykłady zastosowań wiedzy lingwistycznej w systemie sterowania procesu dostaw i magazynowania towarów w supermarkecie, w wypracowywaniu prognoz opartych na wiedzy lingwistycznej, w systemach doradztwa giełdowego i innych. |
| T-L-1 | Deklaratywna identyfikacja indywidualnych i grupowych kwantyfikatorów lingwistycznych. Zastosowanie arytmetyki danych niepewnych do rozwiązywania przykładowych problemów ekonomicznych i zarządzania. Eksperymentalna identyfikacja indywidualnych i grupowych kwantyfikatorów lingwistycznych.
Konstruowanie lingwistycznego modelu jednoargumentowej zależności ekonomicznej. Konstruowanie 2-argumentowego modelu zależności ekonomicznej z użyciem metody rankingowej i metody linii ekwipotencjalnych.
Konstruowanie wieloargumentowego (3-, 4-argumentowego) lingwistycznego modelu zależności ekonomicznej metodą dekompozycji. Metody sprawdzania poprawności modelu.
Jednoregułowe lingwistyczne modele kryterialno-optymalizacyjne jako forma zapisu wymagań i życzeń człowieka względem obiektów. Specyfikacja ludzkich operatorów agregacji danych jednoargumentowych. Identyfikacja ludzkich operatorów AND i OR. |
| Metody nauczania | M-1 | Wykład informacyjny z prezentacją. |
|---|
| M-2 | Ćwiczenia laboratoryjne: samodzielne tworzenie modeli niepewnych pojęć |
| M-3 | Ćwiczenia laboratoryjne: samodzielne tworzenie modeli przetwarzających niepewne pojęcia na bazie wiedzy eksperckiej. |
| Sposób oceny | S-1 | Ocena podsumowująca: Wykład: zaliczenie pisemne. |
|---|
| S-2 | Ocena formująca: Ćwiczenia laboratoryjne: ocena prac realizowanych podczas zajęć. |
| S-3 | Ocena podsumowująca: Ćwiczenia laboratoryjne: ocena końcowa będzie średnią ważoną z ocen uzyskanych za realizowane wcześniej zadania. |
| Kryteria oceny | Ocena | Kryterium oceny |
|---|
| 2,0 | |
| 3,0 | Student umie modelować niepewne dane, umie opracować model przetwarzający takie dane na podstawie eksperckiej wiedzy o zależnościach istniejących w danym problemie. Umie przeprowadzać obliczenia na takich modelach. |
| 3,5 | |
| 4,0 | |
| 4,5 | |
| 5,0 | |