Bazy wiedzy i sztuczna inteligencja

Informacje ogólne

Kod przedmiotu:	WELEAWSM-BWiSI
Kod Erasmus / ISCED:	(brak danych) / (brak danych)
Nazwa przedmiotu:	Bazy wiedzy i sztuczna inteligencja
Jednostka:	Wydział Elektroniki
Grupy:
Punkty ECTS i inne:	(brak) 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
Forma studiów:	stacjonarne
Rodzaj studiów:	II stopnia
Rodzaj przedmiotu:	obowiązkowy
Forma zajęć liczba godzin/rygor:	W/14/x; C/4/z; L/12/z
Przedmioty wprowadzające:	Analiza matematyczna Wymagania wstępne: znajomość podstawowych relacji matematycznych i ich własności
Programy:	Wydział Elektroniki Kierunek studiów: elektronika i telekomunikacja Specjalność: radionawigacja, radioelektroniczne urządzenia pokładowe
Autor:	dr inż. Jan Matuszewski
Skrócony opis:	Systemy ekspertowe. Wybrane technologie pozyskiwania informacji dla potrzeb baz wiedzy. Metody reprezentacji wiedzy. Metody reprezentacji wiedzy. Modelowanie niepewności. Sieci neuronowe. Projektowanie sieci neuronowych. Algorytmy genetyczne i ich zastosowania.
Pełny opis:	Wykłady: 1. Systemy ekspertowe. Struktura systemów ekspertowych. Zasady budowy systemu ekspertowego. Podstawowe cechy systemów ekspertowych. Przykładowe obszary zastosowań systemów ekspertowych. 2. Wybrane technologie pozyskiwania informacji dla potrzeb baz wiedzy. Metody pozyskiwania informacji. Poprawność bazy wiedzy. Strategie przeszukiwania baz wiedzy. Modelowanie problemów decyzyjnych za pomocą baz wiedzy. 3. Metody reprezentacji wiedzy Reprezentacja wiedzy za pomocą drzew decyzyjnych. wiedzy. Algorytm tworzenia drzew decyzyjnych. Przechodzenie z drzewa decyzyjnego do zestawu reguł. 4. Modelowanie niepewności Logika rozmyta. Podstawowe pojęcia modeli rozmytych. Reguły rozmyte i wnioskowanie rozmyte. Przetwarzanie wiedzy niepewnej. 5. Sieci neuronowe Struktura sieci neuronowych. Metody i parametry uczenia sieci neuronowych. Podstawowe modele sieci neuronowych. 6. Projektowanie sieci neuronowych Dobór struktury sieci neuronowej. Liczba neuronów i warstw ukrytych. Normalizacja danych wejściowych i wyjściowych. Wybór funkcji aktywacji. Dobór wag w sieci neuronowej. 7. Algorytmy genetyczne i ich zastosowania Elementarny algorytm genetyczny. Podstawowe operacje algorytmów genetycznych. Działanie algorytmu genetycznego. Zastosowania algorytmów genetycznych. Ćwiczenia: 1. Analiza metod pozyskiwania informacji dla potrzeb baz wiedzy. 2. Metody przetwarzania wiedzy niepewnej - reguły rozmyte. 3. Podstawowe operacje algorytmów genetycznych. Laboratoria: 1. Badanie własności podstawowych modeli sieci neuronowych. 2. Projektowanie sieci neuronowej - wybór struktury, funkcji aktywacji i współczynników wagowych. 3. Badanie własności algorytmów genetycznych.
Literatura:	podstawowa: 1. Goldberg D. E., Algorytmy genetyczne i ich zastosowania. WNT, Warszawa 2003. 2. Niederliński A.: Regułowo-modelowe systemy ekspertowe. Wydawnictwo Pracowni Komputerowej Jacka Skalmierskiego, Gliwice 2006. 3. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe. Wyd. Naukowe PWN, Warszawa 1996. uzupełniająca: 1. Krawiec K., Stefanowski J.: Uczenie maszynowe i sieci neuronowe. Politechnika Poznańska, Poznań 2004. 2. Kwaśnicka H.: Sztuczna inteligencja i systemy ekspertowe. Rozwój i perspektywy, 2005.
Efekty uczenia się:	W1 - Zna istotę działania oraz zastosowania systemów ekspertowych, baz wiedzy i sieci neuronowych /K_W01, K_W09, K_W17 W2 - Zna zasady budowy systemów ekspertowych, podstawowych struktur sieci neuronowych i algorytmów genetycznych /K_W04, K_W23 W3 - Zna parametry i strukturę podstawowych modeli sieci neuronowych /K_W10, K_W11 U1 - Potrafi porównać rozwiązania projektowe systemów ekspertowych, sieci neuronowych i algorytmów genetycznych /K_U01, K_U09 U2 - Potrafi identyfikować i formułować problemy wymagające zastosowania metod sztucznej inteligencji do rozwiązywania zadań praktycznych /K_U07, K_U19 K1 - Ma świadomość ważności i rozumie pozatechniczne aspekty oraz skutki działalności inżyniera w obszarze baz wiedzy i metod sztucznej inteligencji /K_K02
Metody i kryteria oceniania:	Przedmiot zaliczany jest na podstawie zaliczenia. Zaliczenie jest przeprowadzane w formie pisemnej. Warunkiem dopuszczenia do zaliczenia jest obecność na wszystkich ćwiczeniach audytoryjnych oraz zaliczenie ćwiczeń laboratoryjnych. Warunek konieczny do uzyskania zaliczenia: pozytywna ocena z zaliczenia pisemnego dotyczącego tematyki wykładów, ćwiczeń rachunkowych oraz laboratoryjnych. Efekty W1, W2, W3, U1, U2 oraz K1 sprawdzane są w trakcie zaliczeń ćwiczeń audytoryjnych, ćwiczeń laboratoryjnych oraz na zaliczeniu pisemnym przedmiotu.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Wojskowa Akademia Techniczna.