Załącznik Nr 1

I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE (MODULE)

Sztuczna inteligencja / Artificial Intelligence

Nazwa jednostki organizacyjnej prowadzącej Instytut Zarządzania i Nauk Technicznych
kierunek:

Nazwa kierunku studiów, poziom Informatyka, pierwszy stopień

kształcenia:

Profil kształcenia: praktyczny

Nazwa specjalności: -

Rodzaj modułu kształcenia: kierunkowy

Rok / Semestr: Rok IV, semestr VII

Osoba koordynująca przedmiot: dr inż. Małgorzata Kaliczyńska

Wymagania wstępne (wynikające z Języki i paradygmaty programowania; Algorytmy

następstwa przedmiotów): i złożoność

II. FORMY ZAJĘĆ DYDAKTYCZNYCH ORAZ WYMIAR GODZIN

Wykład Ćwiczenia Konwersatorium Laboratorium Warsztaty Projekt Seminarium Konsultacje Egzamin/ Suma godzin
zaliczenie

Studia stacjonarne 12 36 48
Studia niestacjonarne 12 36 48
III. METODY REALIZACJI ZAJĘĆ DYDAKTYCZNYCH

Formy zajęć Metody dydaktyczne

Wykład Ustna forma wykładu, prezentacje multimedialne, z ewentualnym

wykorzystaniem platform Moodle i MS Teams.

Ćwiczenia Praca z literaturą, dyskusje i przykłady zastosowań sztucznej inteligencji;

przegląd problemów, z ewentualnym wykorzystaniem platform Moodle i MS
Teams.

IV. PRZEDMIOTOWE EFEKTY UCZENIA SIĘ

Z ODNIESIENIEM DO EFEKTÓW UCZENIA SIĘ DLA KIERUNKU I OBSZARÓW

Lp. Opis przedmiotowych efektów uczenia się Odniesienie do

efektu
kierunkowego

Wiedza:

1 Student ma uporządkowaną wiedzę w zakresie sztucznej inteligencji i przetwarzania K_W16

obrazów oraz rozwiązywania zadań informatycznych z zakresu systemów
inteligentnych

2 Student ma uporządkowaną wiedzę na temat trendów rozwojowych sztucznej K_W13

inteligencji i jej zastosowania w zdygitalizowanych obszarach działania, w tym w
przemyśle przyszłości

Umiejętności:
 Załącznik Nr 1

1 Student potrafi pozyskiwać informacje z literatury, zasobów internetowych; potrafi je K_U01

integrować, interpretować oraz wyciągać wnioski

2 Student potrafi wykorzystać nabytą wiedzę matematyczną do opisu procesów, K_U07

tworzenia modeli, zapisu algorytmów i obróbki danych

3 Student potrafi rozszerzać swoją wiedzę w zakresie sztucznej inteligencji w celu K_U29
podnoszenia kompetencji zawodowych

Kompetencje społeczne:

1 Student jest gotowy zarządzać swoim czasem oraz podejmować zobowiązania i K_K04
dotrzymywać terminów

2 Student jest gotowy przekazywać informację o osiągnięciach informatyki i różnych K_K08

aspektach zawodu informatyka w zrozumiały sposób

V. TREŚCI PROGRAMOWE (UCZENIA SIĘ)

Lp. Wykład: Odniesienie do

przedmiotowych
efektów uczenia się

1 Znaczenie inteligencji, inteligencja naturalna i sztuczna, zakres badań nad sztuczną P6S_WG
inteligencją. Wnioskowanie – sformułowanie zadania, składnia i semantyka języka
logiki, budowa systemu automatycznego wnioskowania;
2 Rola niedoskonałej wiedzy we wnioskowaniu, logika rozmyta; P6S_WG

3 Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w P6S_WG

głąb i wszerz. Przegląd wybranych strategii przeszukiwania przestrzeni – metoda
wzrostu, błądzenia przypadkowego symulowanego wyżarzania;
4 Strategie gier dwuosobowych, algorytm MINMAX i przycinanie alfa-beta. Zadanie P6S_WG
wnioskowania indukcyjnego, dyskusja właściwości atrybutów warunkowych, uczenie z
nauczycielem, pojęcie funkcji błędu, problem generalizacji, zbiory trenujące i testowe;
5 Metody konstrukcji drzew decyzyjnych. Regresja liniowa i nieliniowa, reguła delta; P6S_WG

7 Algorytmy genetyczne; P6S_WG

6 Sztuczna inteligencja w robotyce P6S_WG

8 Przykłady współczesnych trendów i aplikacji sztucznej inteligencji P6S_WG

Lp. Ćwiczenia: Odniesienie do

przedmiotowych
efektów uczenia się

1 Zbiory rozmyte i logika rozmyta, sterowniki rozmyte P6S_UW

P6S_UO

2 Sieci neuronowe – zasady działania i zastosowania P6S_UW

P6S_UO

3 Rozpoznawanie mowy i rozpoznawanie obrazów; P6S_UW

P6S_UO

4 Uczenie maszynowe, systemy ekspertowe; P6S_UW

P6S_UO

5 Automaty komórkowe, szachy komputerowe; P6S_UW

P6S_UO
 Załącznik Nr 1

6 Wizja komputerowa – problemy, rozwiązania, zastosowania – robotyka P6S_UW

P6S_UO

7 Biometria, rozpoznawanie wzorców P6S_UW

P6S_UO

VI. METODY WERYFIKACJI EFEKTÓW UCZENIA SIĘ

Efekty uczenia się Metoda weryfikacji Forma zajęć, w ramach

/EK/ której weryfikowany jest
EUS (Efekt uczenia się)

Wiedza:

P6S_WG Test pisemny wykład

P6S_WK

P6S_WG Sprawdzanie wiedzy, prezentacje studenckie i obserwacja ćwiczenia

P6S_WK zaangażowania studentów

Umiejętności:

P6S_UW Sprawdzanie wiedzy, prezentacje studenckie i ocena aktywności ćwiczenia

P6S_UO studentów

Kompetencje społeczne:

P6S_KO Dyskusja w czasie zajęć, wspólne rozwiązywanie problemów ćwiczenia

P6S_KR

VII. KRYTERIA OCENY OSIĄGNIĘTYCH EFEKTÓW UCZENIA SIĘ

Efekty uczenia się Ocena Zakres ocen 3,0-3,5 Zakres ocen 4,0-4,5 Ocena bardzo dobra
niedostateczna Student zna i rozumie Student zna i rozumie Student zna i rozumie
Student nie zna i nie /potrafi/jest gotów: /potrafi/jest gotów: /potrafi/jest gotów:
rozumie/nie
potrafi/nie jest gotów:

Dla każdego Student uzyskuje Student uzyskuje Student uzyskuje Student uzyskuje
z efektów uczenia się poniżej 50% 50–63% maksymalnej 78–87% maksymalnej powyżej 93%
określonego dla maksymalnej liczby liczby punktów dla liczby punktów dla maksymalnej liczby
modułu w zakresie punktów dla danego efektu – ocena 3; efektu – ocena 4; punktów dla danego
wiedzy, umiejętności efektu Student uzyskuje Student uzyskuje efektu
i kompetencji 64–77% maksymalnej 88–93% maksymalnej
liczby punktów dla liczby punktów dla
efektu – ocena 3,5 efektu – ocena 4,5

VIII. NAKŁAD PRACY STUDENTA – WYMIAR GODZIN I BILANS PUNKTÓW ECTS

Rodzaj aktywności Studia Studia

ECTS stacjonarne niestacjonarne

Udział w zajęciach dydaktycznych (wykłady, ćwiczenia, konwersatoria, projekt, 48 48

laboratoria, warsztaty, seminaria) – SUMA godzin – z punktu II

Egzamin/zaliczenie 2 2

Udział w konsultacjach 1 1

Projekt / esej
 Załącznik Nr 1

Samodzielne przygotowanie się do zajęć dydaktycznych 59 59

Przygotowanie się do zaliczenia zajęć dydaktycznych 40 40

Sumaryczne obciążenie pracą studenta (25h = 1 ECTS) SUMA godzin/ECTS 150/6 150/6

Obciążenie studenta w ramach zajęć w bezpośrednim kontakcie z nauczycielem 48 48

Obciążenie studenta w ramach zajęć o charakterze praktycznym 36 36

Obciążenie studenta w ramach zajęć związanych z praktycznym przygotowaniem

zawodowym

X. LITERATURA PRZEDMIOTU ORAZ INNE MATERIAŁY DYDAKTYCZNE

Literatura podstawowa przedmiotu:

- Wstęp do sztucznej inteligencji, Mariusz Flasiński, Wydawnictwo Naukowe PWN, Warszawa 2011, nr inw.
KI 42890
- Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa, L. Rutkowski, Wydawnictwo Naukowe
PWN, Warszawa 2005, nr inw. KI 26173, KI 26174
- Systemy uczące się, P. Cichosz, Wydawnictwa Naukowo-Techniczne, Warszawa 2000, nr inw. KI 13516
- Istota inteligencji: Fascynująca opowieść o ludzkim mózgu i myślących maszynach, J. Hawkins, S.
Blakeslee, Helion, Gliwice 2006, nr inw. KI 28377, KI 28378

Literatura uzupełniająca przedmiotu:

- Sieci neuronowe w ujęciu algorytmicznym, S. Osowski, Wydawnictwa Naukowo-Techniczne, Warszawa
1999.
- Wykłady z algorytmów ewolucyjnych, J. Arabas, Wydawnictwa Naukowo-Techniczne, Warszawa 2001.