PRZEWODNIK PO PRZEDMIOCIE

Transkrypt

1 Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi systemami obliczeniowymi operującymi na sygnałach cyfrowych C2. Zapoznanie studentów z ami implementacji inteligentnych systemów WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1. wykonywać działania matematyczne do rozwiązywania postawionych zadań. 2. Student korzysta z różnych źródeł informacji w tym z instrukcji i dokumentacji technicznej. 3. pracować samodzielnej i w grupie. 4. interpretować i prezentować własne działania. EFEKTY KSZTAŁCENIA Systemy sygnału Systems of Intelligent Signals Processing Poziom przedmiotu: I stopnia Liczba godzin/tydzień: 1W, 1L Kod przedmiotu: B18 Rok: III Semestr: VI Liczba punktów: 3 ECTS EK 1 Student identyfikuje i opisuje podstawowe systemy operujące na sygnałach cyfrowych, EK 2 Student projektuje i zaimplementuje sieci neuronowe typu perceptron do rozwiązywania prostych zadań logicznych, EK 3 Student projektuje i implementuje wielowarstwową sieć neuronową zdolną do wyznaczenia dowolnego podzbioru w przestrzeni stanów, EK 4 Student projektuje i implementuje sieć neuronową typu Hopfielda realizującą pamięć asocjacyjną, EK 5 Student projektuje i implementuje sieć neuronową typu Hopfielda będącą w stanie rozwiązać postawiony problem optymalizacyjny, EK 6 Student projektuje i implementuje algorytm genetyczny zdolny do optymalizacji zadanej funkcji dyskretnej, EK 7 Student projektuje i implementuje strategię ewolucyjną zdolną do optymalizacji zadanej funkcji,

2 TREŚCI PROGRAMOWE Forma zajęć WYKŁADY Liczba godzin W 1 Wprowadzenie do zagadnień z zakresu sztucznej inteligencji 1 W 2 Wprowadzenie do sztucznych sieci neuronowych 1 W 3,4 Sieci neuronowe jednokierunkowe 2 W 5,6 Sieci neuronowe dyskretne typu Hopfielda 2 W 7,8 Sieci neuronowe ciągłe typu Hopfielda 2 W 9,10 Sieci neuronowe uczone bez nauczyciela 2 W 11 Mapy samoorganizujące 1 W 12 Algorytmy genetyczne 1 W 13,14 Strategie ewolucyjne 2 W 15 Algorytmy mrówkowe 1 Forma zajęć LABORATORIUM Liczba godzin L 1,2 Zastosowanie perceptronu do rozwiązywania zadań logicznych 2 L 3,4 Zastosowanie wielowarstwowych sieci neuronowych do wyznaczania podzbiorów 2 w zbiorze punktów L 5,6 Zastosowanie sieci neuronowych uczonych bez nauczyciela do klasyfikacji 2 wektorów L 7,8 Budowa sieci neuronowej typu mapy samoorganizującej do zagadnienia 2 klasyfikacji obiektów L 9,10 Budowa pamięci asocjacyjnej 2 L 11,12 Konstrukcja ciągłej sieci neuronowej typu Hopfielda do 2 problemu n-hetmanów L 13 Budowa algorytmu genetycznego do zadania znalezienia minimum funkcji 1 L 14,15 Konstrukcja strategii ewolucyjnej do zadania dopasowania funkcji do 2 punktów pomiarowych NARZĘDZIA DYDAKTYCZNE 1. wykład z wykorzystaniem prezentacji multimedialnych 2. ćwiczenia laboratoryjne, opracowanie sprawozdań z realizacji przebiegu ćwiczeń 3. sprzęt komputerowy oraz oprogramowanie komputerowe 2

3 SPOSOBY OCENY ( F FORMUJĄCA, P PODSUMOWUJĄCA) F1. ocena przygotowania do ćwiczeń laboratoryjnych. ocena umiejętności stosowania zdobytej wiedzy podczas wykonywania ćwiczeń F3. ocena sprawozdań z realizacji ćwiczeń objętych programem nauczania F4. ocena aktywności podczas zajęć P1. ocena umiejętności rozwiązywania postawionych problemów oraz sposobu prezentacji uzyskanych wyników zaliczenie na ocenę* *) warunkiem uzyskania zaliczenia jest otrzymanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, OBCIĄŻENIE PRACĄ STUDENTA Forma aktywności Godziny kontaktowe z prowadzącym Obecność na konsultacjach Zapoznanie się ze wskazaną literaturą Przygotowanie do ćwiczeń laboratoryjnych Wykonanie sprawozdań z realizacji ćwiczeń laboratoryjnych (czas poza zajęciami laboratoryjnymi) Przygotowanie do zadania sprawdzającego Suma SUMARYCZNA LICZBA PUNKTÓW ECTS DLA PRZEDMIOTU Liczba punktów ECTS, którą student uzyskuje na zajęciach wymagających bezpośredniego udziału prowadzącego Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym, w tym zajęć laboratoryjnych i projektowych Średnia liczba godzin na zrealizowanie aktywności 15W 15L 30h 5h 10 h 7.5 h 7.5 h 15 h 75 h 3 ECTS 1.4 ECTS 1.2 ECTS LITERATURA PODSTAWOWA I UZUPEŁNIAJĄCA 1. Praca zbiorowa pod redakcją M. Nałęcza Systemy komputerowe i teleinformatyczne w słuŝbie zdrowia Akademicka oficyna wydawnicza EXIT Warszawa R. Tadeusiewicz, M. Faliński Rozpoznawanie obrazów, Wydawnictwo Naukowe PWN Arabas J., Wykłady z algorytmów ewolucyjnych, WNT, Warszawa, Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa, J. Mandziuk: Sieci neuronowe typu Hopfielda teoria i przykłady zastosowań, EXIT, Warszawa Goldberg D.E., Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, J. śurada, M. Barski, W. Jędruch, Sztuczne sieci neuronowe, 8. Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwa Naukowe PWN, Warszawa-Łódź, Tadeusiewicz R., Elementarne wprowadzenie do i sieci neuronowych z przykładowymi programami, Akad. Oficyna Wyd. PLJ, Warszawa,

4 10. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa Rutkowska D., Inteligentne systemy obliczeniowe. Algorytmy genetyczne i sieci neuronowe w systemach rozmytych, Akad. Oficyna Wyd., Warszawa, D. Driankov, H. Hellendoorn, M. Reinfrank, Wprowadzenie do sterowania rozmytego, Wydawnictwa Naukowo-Techniczne, Warszawa, A. Piegat, Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, D. Rutkowska, Inteligentne systemy obliczeniowe. Algorytmy genetyczne i sieci neuronowe w systemach rozmytych, Akademicka Oficyna Wydawnicza PLJ, Warszawa, D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź, L. Rutkowski, Filtry adaptacyjne i adaptacyjne przetwarzanie, Wydawnictwa Naukowo-Techniczne, Warszawa B. Cyganek Komputerowe przetwarzanie obrazów trójwymiarowych ; Akademicka Oficyna Wydawnicza EXIT; Warszawa 2002, PROWADZĄCY PRZEDMIOT ( IMIĘ, NAZWISKO, ADRES ) 1. dr inż. Łukasz Laskowski lukasz.laskowski@kik.pcz.pl MATRYCA REALIZACJI I WERYFIKACJI EFEKTÓW KSZTAŁCENIA Efekt kształcenia Odniesienie danego efektu do efektów zdefiniowanych dla całego programu (PEK) Cele przedmiotu Treści programowe Narzędzia dydaktyczne Sposób oceny EK1 K_W27_B_17 C1 W EK2 W3-4 1,2,3 F4 L1-2 EK3 1,2,3 F1 W5-6 L3-4 EK4 W7-8 1,2,3 F1 L5-6 EK5 W9-10 1,2,3 F1 L7-8 EK6 1,2,3 W11 F3 L9-10 P1 EK7 1,2,3 W12 F3 L

5 II. FORMY OCENY - SZCZEGÓŁY Efekty kształcenia Na ocenę 2 Na ocenę 3 Na ocenę 4 Na ocenę 5 EK1 Student identyfikuje i opisuje zagadnienia Student nie opisuje zagadnień teoretycznych z zakresu Student częściowo opisuje zagadnienia Student opisuje zagadnienia Student szczegółowo opisuje zagadnienia materiału objętego programem nauczania, zdobywa i poszerza wiedzę przy użyciu różnych źródeł EK2-EK7 zastosować wiedzę w rozwiązywaniu problemów optymalizacyjnych z użyciem inteligentnych narzędzi obliczeniowych, potrafi zaimplementować odpowiedni system komputerowy Student nie potrafi określonego zadania określonego zadania, nie jest w stanie go zaimplementować Student poprawnie wykorzystuje wiedzę oraz rozwiązuje problemy wynikające w trakcie realizacji ćwiczeń określonego zadania, jest w stanie go zaimplementować, potrafi dokonać oceny oraz uzasadnić trafność przyjętych założeń Dopuszcza się wystawienie oceny połówkowej o ile student spełniający wszystkie efekty kształcenia wymagane do oceny pełnej spełnia niektóre efekty kształcenia w stopniu odpowiadającym ocenie wyższej. III. INNE PRZYDATNE INFORMACJE O PRZEDMIOCIE 1. Wszelkie informacje dla studentów kierunku Mechatronika wraz z: - programem studiów, - prezentacjami do zajęć, - instrukcjami do ćwiczeń laboratoryjnych, - harmonogramem odbywania zajęć dostępne są u prowadzącego 2. Informacja na temat konsultacji przekazywana jest studentom podczas pierwszych zajęć z danego przedmiotu. 5