Oprogramowanie systemów awionicznych

stacjonarne

jednolite magisterskie

W 14/+ ; C 28/+ ; razem: 42 godz., 3 pkt ECTS

nazwa przedmiotu / wymagania wstępne:

matematyka I / wymagania wstępne: znajomość rachunku macierzowego, umiejętność wykonywania działań na zbiorze liczb rzeczywistych i zespolo-nych, umiejętność rozwiązywania układów równań.

matematyka II / wymagania wstępne: znajomość ciągów i szeregów liczbo-wych, znajomość rachunku różniczkowego i całkowego.

programowanie systemów i modułów awionicznych / wymagania wstępne: umiejętność programowania systemów mikroprocesorowych i znajomość metodyki tworzenia oprogramowania systemów komputerowych, umiejętność zaprojektowania oprogramowania prostego modułu awionicznego z uwzględ-nieniem zadanych kryteriów oraz przepisów bezpieczeństwa

architektury systemów awionicznych / wymagania wstępne: umiejętność formułowania specyfikacji i założeń technicznych na elementy składowe sys-temu awionicznego z uwzględnieniem m.in. norm środowiskowych.

VII semestr studiów / lotnictwo i kosmonautyka / awionika

ppłk dr inż. Konrad WOJTOWICZ

Aktywność / obciążenie studenta w godz.

1. Udział w wykładach / 14

2. Udział w laboratoriach / 0

3. Udział w ćwiczeniach / 28

4. Udział w seminariach / 0

5. Samodzielne studiowanie tematyki wykładów / 7

6. Samodzielne przygotowanie do laboratoriów /

7. Samodzielne przygotowanie do ćwiczeń / 28

8. Samodzielne przygotowanie do seminarium / 0

9. Realizacja projektu / 0

10. Udział w konsultacjach / 2

11. Przygotowanie do egzaminu / 0

12. Przygotowanie do zaliczenia / 9

13. Udział w egzaminie / 2

Sumaryczne obciążenie pracą studenta: 90 godz./ 3 ECTS

Zajęcia z udziałem nauczycieli (1+2+3+4+9+10+13): 46 godz./ 1,5 ECTS

Zajęcia powiązane z działalnością naukową: 66 godz./ 2,0 ECTS

Przedmiot wprowadza studentów w zaawansowane techniki wytwarzania oprogramowania oparte na metodach głębokiego uczenia (Deep Learning). Celem jest zapoznanie z metodami i narzędziami kluczowymi dla rozwoju nowoczesnych systemów autonomicznych, w tym awionicznych, zdolnych do podejmowania decyzji na podstawie złożonych danych sensorycznych. Omawiane są fundamentalne architektury sieci neuronowych (CNN) do analizy danych wizyjnych oraz modele transformatorowe (NLP) do przetwarzania języka naturalnego. Kurs kładzie nacisk na praktyczną implementację algorytmów w nowoczesnych frameworkach (PyTorch), od przygotowania i augmentacji danych, przez trening modeli, po zastosowanie uczenia transferowego.

Wykład / metoda werbalno-wizualna z wykorzystaniem nowoczesnych technik multimedialnych

1. Wprowadzenie do uczenia głębokiego /liczba godzin - 2/ Rola AI, ML i DL w systemach autonomicznych. Wprowadzenie do frameworka PyTorch, definicja i operacje na tensorach.

2. Konwolucyjne Sieci Neuronowe (CNN) /liczba godzin - 2/ Architektura i zasada działania sieci CNN. Warstwy konwolucyjne, funkcje aktywacji, pooling. Zastosowania w wizji komputerowej.

3. Augmentacja danych /liczba godzin - 2/ Cel i metody augmentacji danych (transformacje geometryczne, kolorystyczne). Poprawa generalizacji modelu i zapobieganie przeuczeniu.

4. Uczenie transferowe (Transfer Learning) /liczba godzin - 2/ Koncepcja uczenia transferowego. Wykorzystanie modeli wstępnie trenowanych (pre-trained models) do nowych zadań. Proces dostrajania (fine-tuning).

5. Wdrażanie (Deployment) modeli /liczba godzin - 2/ Proces inferencji. Wyzwania związane z wdrażaniem modeli na platformach docelowych. Zapisywanie i wczytywanie modeli.

6. Wprowadzenie do przetwarzania języka naturalnego (NLP) /liczba godzin - 2/ Wyzwania w przetwarzaniu tekstu. Metody reprezentacji danych tekstowych. Tokenizacja i segmentacja.

7. Modele transformatorowe i BERT /liczba godzin - 2/ Architektura Transformer. Zasada działania modelu BERT. Zastosowania: maskowanie tekstu, odpowiadanie na pytania (Q&A).

Ćwiczenia / metoda werbalno-praktyczna

1. Klasyfikacja obrazów z wykorzystaniem MNIST /liczba godzin - 4/ Praca z tensorami w PyTorch. Przygotowanie danych do treningu. Budowa prostej sieci neuronowej. Pętla treningowa i ewaluacja modelu.

2. Klasyfikacja obrazów – Amerykański Język Migowy (ASL) /liczba godzin - 4/ Wczytanie, wizualizacja i przygotowanie zbioru danych ASL. Budowa i trening modelu klasyfikacyjnego.

3. Implementacja Konwolucyjnych Sieci Neuronowych /liczba godzin - 4/ Wczytanie i przygotowanie danych obrazowych. Budowa modelu CNN od podstaw. Analiza architektury (summarizing). Trening i ewaluacja.

4. Augmentacja danych w praktyce /liczba godzin - 4/ Definiowanie potoku (pipeline) transformacji augmentacyjnych. Trening modelu z wykorzystaniem augmentacji. Zapisywanie wytrenowanego modelu.

5. Wdrażanie modelu i modele pre-trenowane /liczba godzin - 4/ Wczytanie zapisanego modelu. Przygotowanie obrazu do predykcji. Wykorzystanie gotowego modelu pre-trenowanego do zadania klasyfikacji (np. „Automated Doggy Door”).

6. Uczenie transferowe - dostrajanie modelu (Fine-Tuning) /liczba godzin - 4/ Wykorzystanie uczenia transferowego w zadaniu „Personalized Doggy Door”. Augmentacja danych, pętla treningowa i proces dostrajania.

7. Przetwarzanie języka naturalnego z BERT /liczba godzin - 4/ Wykorzystanie modelu BERT. Tokenizacja i segmentacja tekstu. Praktyczne zadania: maskowanie tekstu (Text Masking) oraz odpowiadanie na pytania (Question and Answering).

Podstawowa:

1. Jon Krohn: Uczenie głebokie i sztuczna inteligencja, Helion, Gliwice 2022

Uzupełniająca:

1. Stuart Russell, Peter Norvig: Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Helion, Gliwice 2023

2. https://www.nvidia.com/en-us/training/

Symbol i nr efektu przedmiotu / efekt uczenia się / odniesienie do efektu kie-runkowego

W1 / Zna i rozumie metody i metodykę modelowania i projektowania opro-gramowania systemów komputerowych i modułów awionicznych / K_W25, K_W27

W2 / Ma wiedzę o trendach rozwojowych i najistotniejszych nowych osią-gnięciach w zakresie systemów operacyjnych i technik budowy oprogra-mowania przeznaczonych do stosowania w lotnictwie / K_W28, W_22J_1

U1 / potrafi wykorzystać poznane metody do modelowania i projektowania oprogramowania modułów statku powietrznego / K_U23, U_22J_1

U2 / Potrafi projektować oprogramowanie z uwzględnieniem zadanych kry-teriów użytkowych wykorzystując narzędzia do modelowania i wspomagania projektowania oprogramowania przystosowując poznane techniki i narzędzia do danego zadania lub modyfikując bądź opracowując nowe narzędzia/ K_U28, K_U31

U3 / Potrafi ocenić przydatność i możliwość wykorzystania a następnie dokonać właściwego doboru i oceny przydatności specjalistycznego opro-gramowania komputerowego do modelowania i wspomagania projektowa-nia oprogramowania oraz wykorzystać jego możliwości do budowy opro-gramowania / K2_U33

K1 / Dostrzega potrzebę, aby informacje i opnie dotyczące funkcjonalności oprogramowania przekazać w sposób powszechnie zrozumiały, przedsta-wiając różne punkty widzenia / K_K04

Przedmiot zaliczany jest na podstawie: zaliczenia z oceną.

Ćwiczenia zaliczane są na podstawie: zaliczenia z oceną.

Zaliczenie na ocenę jest przeprowadzane w formie pisemnego testu sprawdzającego z zadaniami zamkniętymi.

Warunkiem dopuszczenia do zaliczenia jest uzyskanie pozytywnej oceny z zaliczenia ćwiczeń oraz pozytywne oceny za wszystkie efekty uczenia się.

Zaliczenie ćwiczeń na ocenę odbywa się na podstawie średniej z pozytywnych ocen uzyskanych z odpowiedzi na pytania kontrolne i z zadań związanych z projektowaniem aplikacji realizowanych w trakcie zajęć.

Efekt W1 sprawdzany w trakcie ćwiczeń rachunkowych i na kolokwium pisemnym, przy okazji sprawdzania umiejętności U2 i U3. Ocena za osiągnięcie tego efektu jest przyznawana łącznie za osiągnięcie umiejętności U2 i U3. Sprawdzana jest wiedza w zakresie algorytmicznego opisu zjawisk na wstępnym etapie przygotowania projektu programistycznego.

Efekt W2 sprawdzany jest w trakcie ćwiczeń rachunkowych przy okazji sprawdzania umiejętności U2 i U3 oraz na kolokwium pisemnym. Sprawdzana jest wiedza w zakresie omawianych na wykładzie technik programistycznych wykorzystywanych do budowy oprogramowania w lotnictwie.

Efekt U1 sprawdzany jest w trakcie ćwiczeń rachunkowych i na kolokwium pisemnym. Ocena za osiągnięcie tego efektu jest przyznawana łącznie za osiągnięcie umiejętności U2 i U3. Sprawdzana jest umiejętność wykorzystania poznanych technik projektowania i modelowania do budowy oprogramowania.

Efekt U2 sprawdzany jest w trakcie ćwiczeń rachunkowych. Sprawdzana jest umiejętność samodzielnego wykorzystania narzędzi wspomagających proces modelowania i projektowania oprogramowania.

Efekt U3 sprawdzany jest w trakcie ćwiczeń rachunkowych. Sprawdzana jest umiejętność samodzielnego doboru narzędzi do modelowania, projektowania a następnie zarządzania cyklem życia oprogramowania według określonych kryteriów.

Ocenę bardzo dobrą otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie 96-100%.

Ocenę dobrą plus otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie 91-95%.

Ocenę dobrą otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie 86-90%.

Ocenę dostateczną plus otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie 81-85%.

Ocenę dostateczną otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie 75-80%.

Ocenę niedostateczną otrzymuje student, który na kolokwium i sprawdzianach z ćwiczeń rachunkowych udzielił poprawnych odpowiedzi na poziomie poniżej 75%.