Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Data Science |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Profil kształcenia | ogólnoakademicki | |||||||||||||||||||||||||
| Nazwa przedmiotu | Przegląd metod i narzędzi AI | Kod przedmiotu | DS1S2PMN | ||||||||||||||||||||||||
| Rodzaj zajęć | obowiązkowy | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 2 | ||||||||||||||||||
| 30 | 15 | Punkty ECTS | 3 | ||||||||||||||||||||||||
| Program obowiązuje od | 2025/2026 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | Podstawy programowania (DS1S1PPR), Wstęp do Data Science (DS1S1WDS), | ||||||||||||||||||||||||||
| Cele przedmiotu |
Przekazanie przeglądu głównych metod i narzędzi AI oraz zrozumienie ich możliwości i ograniczeń. Rozwój umiejętności identyfikacji potencjału AI w rozwiązywaniu problemów biznesowych oraz doboru odpowiednich metod. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Data Science DATS - poziom 3 Machine Learning MLNG - poziom 2 Artificial Intelligence and Data Ethics AIDE - poziom 2 Business Analysis BUAN - poziom 2 |
||||||||||||||||||||||||||
| Ramowe treści programowe | Kompleksowe wprowadzenie do współczesnych metod i narzędzi sztucznej inteligencji, umożliwiające zrozumienie ich potencjału, ograniczeń oraz praktycznych zastosowań. Teoretyczne podstawy głównych paradygmatów AI oraz ich implementacje w rzeczywistych systemach ICT i systemach AI. Fundamentalne koncepcje sztucznych sieci neuronowych, uczenia głębokiego, przetwarzania języka naturalnego i widzenia komputerowego. Alternatywne podejścia, w tym systemy uczenia ze wzmocnieniem, sieci bayesowskie i algorytmy ewolucyjne. Identyfikacja praktycznych zastosowań AI w różnych domenach biznesowych. Analiza problemów biznesowych pod kątem możliwości wykorzystania odpowiednich technik AI. | ||||||||||||||||||||||||||
| Inne informacje o przedmiocie | przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | ||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udziałem w wykładach | 30 | 30 | |||||||||||||||||||||||||
| udziałem w innych formach zajęć | 15 | 15 | 15 | ||||||||||||||||||||||||
| indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć | 4 | 4 | |||||||||||||||||||||||||
| przygotowaniem do zaliczenia wykładu | 10 | ||||||||||||||||||||||||||
| przygotowaniem do bieżących zajęć | 16 | 16 | |||||||||||||||||||||||||
| Razem godzin: | 75 | 49 | 31 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 3 | 2.0 | 1.2 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| DS1_W03 | DS1_U12 (H1_U02) | DS1_K01 | |||||||||||||||||||||||||
| DS1_W07 | DS1_U08 | ||||||||||||||||||||||||||
| DS1_W09 | DS1_U10 | ||||||||||||||||||||||||||
| DS1_W10 | DS1_U11 | ||||||||||||||||||||||||||
| DS1_W16 | DS1_U18 | ||||||||||||||||||||||||||
| DS1_W21 | DS1_U19 | ||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | dr inż. Paweł Tadejko, dr inż. Magdalena Topczewska | Data: | 29/05/2025 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2025/2026 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| Wykład | |||||||||||||||||||||||||||
| 1. | Sztuczne sieci neuronowe i deep learning - architektura, zasada działania, rodzaje sieci (CNN, RNN, transformery), zastosowania w praktyce, zalety i ograniczenia | ||||||||||||||||||||||||||
| 2. | Computer Vision - metody przetwarzania i analizy obrazu, rozpoznawanie obiektów, segmentacja obrazu, śledzenie ruchu, przykłady zastosowań praktycznych. | ||||||||||||||||||||||||||
| 3. | Przetwarzanie języka naturalnego (NLP) - od klasycznych metod do modeli językowych, analiza sentymentu, ekstrakcja informacji, generowanie tekstu, chatboty | ||||||||||||||||||||||||||
| 4. | Systemy uczenia ze wzmocnieniem - podstawy teoretyczne, uczenie przez doświadczenie, przykłady zastosowań w robotyce i optymalizacji procesów | ||||||||||||||||||||||||||
| 5. | Sieci bayesowskie - reprezentacja wiedzy, wnioskowanie w warunkach niepewności, przykłady zastosowań w diagnostyce i wspomaganiu decyzji | ||||||||||||||||||||||||||
| 6. | Algorytmy genetyczne i obliczenia ewolucyjne - inspiracja biologiczna, mechanizmy działania, zastosowania w optymalizacji i projektowani | ||||||||||||||||||||||||||
| 7. | Metody klasyfikacji i regresji - drzewa decyzyjne, lasy losowe, maszyny wektorów nośnych (SVM), zastosowania w biznesie. Uczenie nienadzorowane - metody klasteryzacji, redukcji wymiarowości, wykrywania anomalii, przykłady zastosowań | ||||||||||||||||||||||||||
| 8. | AI w rozpoznawaniu obrazów - od kontroli jakości produkcji przemysłowej przez systemy bezpieczeństwa po diagnostykę medyczną | ||||||||||||||||||||||||||
| 9. | AI w rozpoznawaniu obrazów - od kontroli jakości produkcji przemysłowej przez systemy bezpieczeństwa po diagnostykę medyczną | ||||||||||||||||||||||||||
| 10. | Zastosowania AI w biometrii. Technologie biometryczne w biznesie. Potencjał, zalety, wady i zagrożenia | ||||||||||||||||||||||||||
| 11. | Zastosowania AI w biometrii. Technologie biometryczne w biznesie. Potencjał, zalety, wady i zagrożenia | ||||||||||||||||||||||||||
| 12. | Wykorzystanie sztucznej inteligencji do wykrywania, analizowania i reagowania na zagrożenia cybernetyczne bez interwencji człowieka | ||||||||||||||||||||||||||
| 13. | AI w obsłudze klienta - chatboty, voiceboty, systemy rekomendacji produktów, personalizacja doświadczeń użytkownika. | ||||||||||||||||||||||||||
| 14. | AI w procesach biznesowych - predykcja, optymalizacja, automatyzacja decyzji, przykłady wdrożeń w różnych branżach | ||||||||||||||||||||||||||
| 15. | Zaliczenie wykładu | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Warsztaty z wykorzystaniem gotowych rozwiązań rozpoznawania i przetwarzania obrazów. Testowanie i porównywanie narzędzi AI do analizy obrazów. Analiza przypadków użycia w różnych branżach | ||||||||||||||||||||||||||
| 2. | Warsztaty z wykorzystaniem gotowych rozwiązań do klasyfikacji. Testowanie i porównywanie narzędzi AI, np. sieci neuronowych, zastosowania w biometrii, medycynie, etc | ||||||||||||||||||||||||||
| 3. | Analiza przypadków biznesowych z wykorzystaniem Business Model Canvas i Value Proposition Canvas. Mapowanie procesów biznesowych i identyfikacja potencjału automatyzacji z wykorzystaniem AI | ||||||||||||||||||||||||||
| 4. | Analiza przypadków biznesowych z wykorzystaniem Business Model Canvas i Value Proposition Canvas. Mapowanie procesów biznesowych i identyfikacja potencjału automatyzacji z wykorzystaniem AI | ||||||||||||||||||||||||||
| 5. | Warsztaty Design Thinking ukierunkowane na identyfikację problemów biznesowych możliwych do rozwiązania przy pomocy AI. Wykorzystanie technik kreatywnych, map empatii i person do zrozumienia potrzeb użytkowników | ||||||||||||||||||||||||||
| 6. | Warsztaty Design Thinking ukierunkowane na identyfikację problemów biznesowych możliwych do rozwiązania przy pomocy AI. Wykorzystanie technik kreatywnych, map empatii i person do zrozumienia potrzeb użytkowników | ||||||||||||||||||||||||||
| 7. | Warsztat z technik prezentacji biznesowej rozwiązań AI. Przygotowanie pitch deck, storytelling, prezentacja wartości biznesowej | ||||||||||||||||||||||||||
| 8. | Warsztat zaliczeniowy: Analiza wybranego problemu biznesowego, mapowanie procesu, identyfikacja potencjału AI. Prezentacje, feedback i dyskusja nad możliwościami rozwoju koncepcji | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | zadania projektowe w grupach; dyskusja rozwiązań | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne z pytaniami otwartymi | ||||||||||||||||||||||||||
| Ps | ocena zadań projektowych realizowanych w grupach | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% z każdego E1-E3, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Uzyskanie min. 30% z każdego E4-E8, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | podstawowe paradygmaty sztucznej inteligencji (systemy regułowe, uczenie maszynowe, sieci neuronowe, itp.) | ||||||||||||||||||||||||||
| E2 | główne typy metod AI (przetwarzanie obrazu, języka naturalnego, wnioskowanie, itp.) i narzędzi stosowanych do przetwarzania danych | ||||||||||||||||||||||||||
| E3 | przykłady zastosowań różnych metod AI w wybranych domenach biznesowych i przemysłowych | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E4 | rozróżniać i charakteryzować różne podejścia w AI | ||||||||||||||||||||||||||
| E5 | wskazać odpowiednie metody AI do rozwiązania konkretnych problemów domenowych | ||||||||||||||||||||||||||
| E6 | przeanalizować przypadek biznesowy pod kątem możliwości zastosowania różnych metod AI | ||||||||||||||||||||||||||
| E7 | pracować w zespole przy analizie możliwości wdrożenia rozwiązań AI | ||||||||||||||||||||||||||
| Kompetencje społeczne: student jest gotów do | |||||||||||||||||||||||||||
| E8 | do krytycznej oceny możliwości i ograniczeń różnych metod AI | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E3 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E4 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E5 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E6 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E7 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E8 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | A. J. Gutman, J. Goldmeier, Analityk danych: przewodnik po data science, statystyce i uczeniu maszynowym, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | J. Reis., M. Housley, Inżynieria danych w praktyce: kluczowe koncepcje i najlepsze technologie, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 3. | D. Stephenson, Big Data, nauka o danych i AI bez tajemnic: podejmuj lepsze decyzje i rozwijaj swój biznes!, Helion, Gliwice, 2020 | ||||||||||||||||||||||||||
| 4. | A. Król-Nowak, K. Kotarba, Podstawy uczenia maszynowego, Wydawnictwo AGH, 2022 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie, Tom 1 i 2, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | K.-F. Lee , Ch. Qiufan, AI 2041, WH Allen, 2024 | ||||||||||||||||||||||||||
| 3. | J. Smith, Comprehensive Guide to 30 Essential AI Tools, Silver Oak Publishing, 2024 | ||||||||||||||||||||||||||
| 4. | N.Windholz, The AI Act Handbook, Hanser Fachbuchverlag, 2024 | ||||||||||||||||||||||||||
| 5. | K.Crawford, Atlas of AI, Yale University Press, 2022 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | dr hab. Marek J. Drużdżel, dr hab. inż. Małgorzata Krętowska, dr inż. Urszula Kużelewska, dr inż. Tomasz Łukaszuk | Data: | 03/03/2025 | ||||||||||||||||||||||||