Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Sztuczna inteligencja 400-IS1-2SZI
Laboratorium (LAB) Rok akademicki 2022/23

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin: 15
Limit miejsc: (brak limitu)
Zaliczenie: Zaliczenie na ocenę
Literatura:

1. Cichosz P.: Systemy uczące się. Warszawa, WNT, 2001.

2. Frankhis K, Ramsey W. M.. “The Cambridge Handbook of Artificial Intelligence”. 2014 (https://www.cambridge.org/core/books/cambridge-handbook-of-artificial-intelligence/3DCB2E04739722A99EDE86B7A34A30E3).

3. Muraszkiewicz M., Nowak R. (edytorzy): Sztuczna inteligencja dla inżynierów. Metody ogólne. Wydawnictwo Politechniki Warszawskiej, Warszawa 2022.

4. Russel S., Norvig P.: Artificial Intelligence. A Modern Approach. Simon & Schuster Company. Englewood Cliffs (https://www.cin.ufpe.br/~tfl2/artificial-intelligence-modern-approach.9780131038059.25368.pdf).

Efekty uczenia się:

Absolwent:

WIEDZA

KP6_WG9 - zna i rozumie podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.

UMIEJĘTNOŚCI

KP6_UW2 – potrafi wykorzystać metody statystyczne do analizy danych

KP6_UW4 – potrafi wybierać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.

KP6_UW5 - potrafi implementować algorytmy stosując odpowiednie elementy wybranego języka programowania.

KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna.

KP6_UK3 - potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.

KP6_UO1 - potrafi współpracować w grupie planując i realizując wspólne projekty, w tym kompleksowe projekty programistyczne.

KP6_UU2 – potrafi śledzić i przyswajać sobie nowe narzędzia i metody informatyczne.

KOMPETENCJE SPOŁECZNE

KP6_KK1 – jest gotów do starannego określania priorytetów i ustalania właściwej kolejności podejmowanych działań.

Metody i kryteria oceniania:

Ocena pracy studenta w laboratorium oparta jest na ocenie wykonania wszystkich zadań przedstawionych przez studenta w sprawozdaniach. Każde sprawozdanie oceniane jest przez prowadzącego zajęcia na podstawie prezentacji sprawozdania przez studenta i dyskusji treści sprawozdania z prowadzącym. Końcowa ocena jest „zaokrągloną” sumą ważoną ocen poszczególnych sprawozdań:

Suma(waga[i] * ocena_sprawozdania[i], dla i = 1, 2, …, n),

gdzie waga[i] jest współczynnikiem trudności i-tego zadania/sprawozdania z przedziału (0,1> ustalonym przez prowadzącego zajęcia (suma wag musi wynosić 1), zaś n jest liczbą zadań.

Obliczona Suma jest zaokrąglana, co polega na sprowadzeniu Sumy do najbliższej jednostki oceny. Jednostkami tymi są: 2; 3; 3.5; 4; 4.5; 5. Na przykład Suma=3,7 jest zaokrąglana do 3,5, zaś Suma=3,8 jest zaokrąglana do 4. Jeżeli na miejscach po przecinku występuje 25 lub 75 o zaokrągleniu w górę lub w dół decyduje prowadzący zajęcia.

W semestrze przewiduje się 7 – 10 zadań (sprawozdań).

Przykład (dla trzech zadań w semestrze):

waga[i] = 0,1 ocena_sprawozdania[1] = 3

waga[i] = 0,5 ocena_sprawozdania[1] = 5

waga[i] = 0,4 ocena_sprawozdania[1] = 4

0,1*3 + 0,5*5 + 0,4*4 = 4,4 co po zaokrągleniu daje ocenę z laboratorium – 4,5.

Zakres tematów:

Tematy zajęć laboratoryjnych nawiązują do treści przedstawionych na wykładzie. Są to m.in. : podstawowe pojęcia dotyczące logiki, teorii zbiorów, analizy matematycznej, algebry, rachunku prawdopodobieństwa, teorii grafów i algorytmów; określanie przestrzeni stanów do rozwiązywania prostych problemów; algorytmy przeszukiwania przestrzeni stanów; wyznaczanie najkrótszych ścieżek w grafach (algorytm Dijkstry, algorytm A z gwiazdką); zastosowanie wybranych metod reprezentacji wiedzy (logika, sieci semantyczne, ramy) do zapisu wiedzy; rodzaje wnioskowania; regresja liniowa; metody klasyfikacji: drzewa decyzyjne, klasyfikator naiwny Bayesa; przykłady zastosowania sieci neuronowych. Przykładem zadnia laboratoryjnego jest implementacja, testowanie i wykonanie na przykładowych danych wybranego algorytm (np. algorytmy Dijkstry, algorytmu ID3 indukowania drzewa decyzyjnego).

Metody dydaktyczne:

Prace w ramach laboratorium maja głównie charakter indywidualny i polegają na: (i) określeniu przez prowadzącego zadania do wykonania wraz z wyjaśnieniami merytorycznymi i organizacyjnymi dotyczącymi jego realizacji, (ii) przypomnieniu przez prowadzącego zajęcia omawianych na wykładzie metod i algorytmów odnoszących się do sformułowanego zadania i dyskusji ze studentami na ten temat, (iii) realizację zadania przez studenta, (iv) przygotowanie sprawozdania pisemnego z realizacji obejmującego opis zadania, jego wykonanie, wyniki i wnioski, (v) przedstawienie przez studenta sprawozdania prowadzącemu zajęcia, (vi) ocenie sprawozdania przez prowadzącego zajęcia.

Grupy zajęciowe

zobacz na planie zajęć

Grupa Termin(y) Prowadzący Miejsca Liczba osób w grupie / limit miejsc Akcje
1 każdy poniedziałek, 11:50 - 12:35, sala NZ-nauczanie zdalne
Mieczysław Muraszkiewicz 14/ szczegóły
Wszystkie zajęcia odbywają się w budynku:
Budynek Wydziału Ekonomiczno-Informatycznego w Wilnie
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.
ul. Świerkowa 20B, 15-328 Białystok tel: +48 85 745 70 00 (Centrala) https://uwb.edu.pl kontakt deklaracja dostępności USOSweb 7.0.3.0-1 (2024-04-02)