Rok akademicki: 2018/2019 Kod: ITE s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne

Transkrypt

1 Nazwa modułu: Algorytmy i struktury danych Rok akademicki: 2018/2019 Kod: ITE s Punkty ECTS: 3 Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Teleinformatyka Specjalność: Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Język wykładowy: Polski Profil kształcenia: Ogólnoakademicki (A) Semestr: 2 Strona www: Osoba odpowiedzialna: dr inż. Matiolański Andrzej (andmat@agh.edu.pl) Osoby prowadzące: dr inż. Matiolański Andrzej (andmat@agh.edu.pl) Krótka charakterystyka modułu Student zapozna się z podstawami algorytmiki i struktur danych. Na podstawie teoretycznych i praktycznych (przy wprowadzeniu języka Python) rozważań zostanie przekazana wiedza niezbędna programiście. Opis efektów kształcenia dla modułu zajęć Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń) Wiedza M_W001 Zna zarówno proste jak i złożone struktury danych. M_W002 Zna i rozumie metody analizy M_W003 Zna i rozumie mechanizmy konstruowania zarówno prostych jak i złożonych M_W004 Zna i rozumie podstawowe metody optymalizacji M_W005 Zna podstawowe algorytmy wyszukiwania wzorca w tekście. M_W006 Zna zastosowania algorytmów wyszukiwania najkrótszej ścieżki. TE1A_W17, M_W007 Zna wady i zalety skryptowych języków programowania. Umiejętności 1 / 5

2 M_U001 Potrafi implementować rozwiązania problemów algorytmicznych. TE1A_U21 Wykonanie ćwiczeń laboratoryjnych M_U002 Potrafi efektywnie używać proste i złożone struktury danych. TE1A_U21 Wykonanie ćwiczeń laboratoryjnych M_U003 Potrafi określić złożoność obliczeniową algorytmu. TE1A_U14, TE1A_U13 M_U004 Potrafi zastosować algorytm wyszukiwania wzorca dla złożonych przykładów wielowymiarowych. TE1A_U13 M_U005 Potrafi w efektywny sposób rozwiązać problem algorytmiczny za pomocą samodzielnie opracowanego oprogramowania. TE1A_U13, TE1A_U09 Kompetencje społeczne M_K001 Uzasadnia i broni wyboru sposobu rozwiązania problemu algorytmicznego. TE1A_K03 Matryca efektów kształcenia w odniesieniu do form zajęć Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć Wykład audytoryjne laboratoryjne projektowe Konwersatori um seminaryjne praktyczne terenowe warsztatowe Inne E-learning Wiedza M_W001 M_W002 M_W003 M_W004 M_W005 M_W006 M_W007 Umiejętności Zna zarówno proste jak i złożone struktury danych. Zna i rozumie metody analizy Zna i rozumie mechanizmy konstruowania zarówno prostych jak i złożonych Zna i rozumie podstawowe metody optymalizacji Zna podstawowe algorytmy wyszukiwania wzorca w tekście. Zna zastosowania algorytmów wyszukiwania najkrótszej ścieżki. Zna wady i zalety skryptowych języków programowania. 2 / 5

3 M_U001 M_U002 M_U003 M_U004 M_U005 Potrafi implementować rozwiązania problemów algorytmicznych. Potrafi efektywnie używać proste i złożone struktury danych. Potrafi określić złożoność obliczeniową algorytmu. Potrafi zastosować algorytm wyszukiwania wzorca dla złożonych przykładów wielowymiarowych. Potrafi w efektywny sposób rozwiązać problem algorytmiczny za pomocą samodzielnie opracowanego oprogramowania. Kompetencje społeczne M_K001 Uzasadnia i broni wyboru sposobu rozwiązania problemu algorytmicznego. Treść modułu zajęć (program wykładów i pozostałych zajęć) Wykład Wstęp do języka Python Języki skryptowe (wady i zalety). Środowiska programistyczne. Podstawowe operacje. Składnia języka Python Instrukcje sterujące. Operacje na tekście i plikach. Klasy. Moduły i biblioteki w języku Python. Opracowanie własnych i użycie gotowych modułów Wstęp do algorytmiki Algorytmy sortowania. Złożoność obliczeniowa Podstawowe struktury danych Tablice z haszowaniem. Drzewa wyszukiwań binarnych. Drzewa czerwono-czarne. Złożone struktury danych B-drzewa. Kopce Fibonacciego. Drzewa van Emde Boasa. Algorytmy oparte o grafy Minimale drzewa rozpinające. Algorytmy wyszukiwania najkrótszej ścieżki. Wyszukiwanie wzorców Algorytmy służące do wyszukiwania wzorców w zbiorach danych. NP-zupełność Przykładowe problemy NP-zupełne i związane z nimi algorytmy. Algorytmy aproksymacyjne Problem komiwojażera, problem pokrycia wierzchołkowego. 3 / 5

4 laboratoryjne 1. Podstawowe operacje w Języku Python. 2. Operacje na tekście i plikach w Python ie. 3. Opracowanie własnych modułów w Pythonie. 4. Algorytmy sortowania w praktyce. 5. Metoda dziel i zwyciężaj. 6. Wyszukiwanie w drzewach binarnych. 7. Operacje na złożonych strukturach danych. 8. Wyszukiwanie wzorca. 9. Wyszukiwanie najkrótszej ścieżki. 10. Rozwiązanie problemu komiwojażera. Sposób obliczania oceny końcowej 1. Aby uzyskać pozytywną ocenę końcową niezbędne jest uzyskanie pozytywnej oceny z ćwiczeń laboratoryjnych oraz kolokwium z wiedzy teoretycznej. 2. Ocena końcowa jest średnią arytmetyczną z ocen zaliczenia ćwiczeń laboratoryjnych i kolokwium. 3. Podczas ustalania oceny będą stosowane zgodne z regulaminem studiów progi punktowe: 1) od 90% bardzo dobry (5.0), 2) od 80% plus dobry (4.5), 3) od 70% dobry (4.0), 4) od 60% plus dostateczny (3.5), 5) od 50% dostateczny (3.0), 6) poniżej 50% niedostateczny (2.0). 4. Student może uzyskać zaliczenie w terminie poprawkowym pod warunkiem zaliczenia ćwiczeń laboratoryjnych. poprawkowe odbędzie się w formie ustnej lub pisemnej. Wymagania wstępne i dodatkowe Znajomość podstaw matematyki. Znajomość podstaw programowania. Zalecana literatura i pomoce naukowe 1. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein, "Wprowadzenie do algorytmów", Wydawnictwo Naukowe PWN, Sanjoy Dasgupta, Christos Papadimitriou, Umesh Vazirani, "Algorytmy", Wydawnictwo Naukowe PWN, Briggs Jason, "Python for Kids", Wydawnictwo Naukowe PWN, Paul Barry, "Head First Python", O Reilly, 2017 (pozycja anglojęzyczna) 5. Zed A. Show, "Python 3", Helion Python Specification, Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu Automated optimization of object detection classifier using genetic algorithm, Andrzej MATIOLAŃSKI, Piotr GUZIK, Multimedia communications, services and security : 4th international conference MCSS 2011 : Krakow, Poland, June 2 3, 2011 Evaluation of parameters for Haar-like features based face detection algorithm / Piotr Guzik, Andrzej MATIOLAŃSKI, Tomasz M. ORZECHOWSKI, Andrzej DZIECH // W: PRIP 2011 : Pattern Recognition and Information Processing, May 2011, Minsk, Republic of Belarus Fuzzy classification method for knife detection problem / Aleksandra Maksimova, Andrzej MATIOLAŃSKI, Jakob Wassermann // W: Multimedia communications, services and security : 7th international conference, MCSS 2014 : Krakow, Poland, June 11 12, 2014 CCTV object detection with fuzzy classification and image enhancement / Andrzej MATIOLAŃSKI, Aleksandra Maksimova, Andrzej DZIECH // Multimedia Tools and Applications ; ISSN vol. 75 iss. 17, s / 5

5 Informacje dodatkowe Wykład rozpoczyna się od pierwszego tygodnia semestru. laboratoryjne będą prowadzone w systemie 10 spotkań 3 45 minut każde w formie pracy zadaniowej z wprowadzeniem teoretycznym. Termin pierwszych ćwiczeń laboratoryjnych zostanie podany na wykładzie. są prowadzone z wykorzystaniem innowacyjnych metod dydaktycznych opracowanych w projekcie POWR D002/16, realizowanym w latach na Wydziale Informatyki, Elektroniki i Telekomunikacji w ramach Programu Operacyjnego Wiedza Edukacja Rozwój Nakład pracy studenta (bilans punktów ECTS) Forma aktywności studenta Udział w wykładach Udział w ćwiczeniach laboratoryjnych Przygotowanie do zajęć Samodzielne studiowanie tematyki zajęć Sumaryczne obciążenie pracą studenta Punkty ECTS za moduł Obciążenie studenta 20 godz 30 godz 15 godz 10 godz 75 godz 3 ECTS 5 / 5