Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Generative AI							Kod przedmiotu	INF1GAI
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26				30			Punkty ECTS	5
Przedmioty wprowadzające	Podstawy programowania (INF1PPR),
Cele przedmiotu	Po ukończeniu niniejszego modułu studenci zdobędą podstawową wiedzę na temat metod i technik generatywnej sztucznej inteligencji (AI), a także świadomość związanych z nimi kwestii etycznych. Rozwiną również umiejętności korzystania z technik generatywnej sztucznej inteligencji w kontekście stosowanych technologii informatycznych (IT). Odniesienie do standardu SFIA: - Sztuczna inteligencja (AI) i etyka danych (AIDE) – poziom 3 - Uczenie maszynowe (MLNG) – poziom 3 - Projektowanie i tworzenie treści (INCA) – poziom 2 - Rozwój animacji (ADEV) – poziom 2 - Projektowanie graficzne (GRDN) – poziom 2
Treści programowe	Wykład 1 Przegląd metod i technik generatywnej sztucznej inteligencji (AI). 2 Duże modele językowe i ich zastosowania, synteza mowy, techniki zamiany tekstu na mowę, klonowanie głosu. 3 Synteza dźwięku, morfing sygnałów audio, generowanie muzyki. 4 Generowanie grafiki komputerowej i animacji. 5 Generowanie i przetwarzanie obrazów. 6 Generowanie i przetwarzanie sekwencji wideo. 7 „Fałszywe” nagrania audio-wizualne i kwestie etyczne. 8 Test zaliczeniowy. Pracownia specjalistyczna 1 Inżynieria zapytań na potrzeby wykorzystania technik generatywnej sztucznej inteligencji. 2 Wykorzystanie dużego modelu językowego do napisania eseju technicznego na zadany temat. 3 Klonowanie głosu. 4 Generowanie muzyki. 5 Generowanie grafiki komputerowej. 6 Generowanie obrazów. 7 Przetwarzanie obrazów. 8 Generowanie sekwencji wideo. 9 Przetwarzanie sygnałów wideo. 10 Zaliczenie pracowni.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera,
Forma zaliczenia	W - zaliczenie: test wyboru Ps - ocena opracowanego oprogramowania oraz wygenerowanych treści audio-wizualnych
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	podstawowe pojęcia, metody i techniki z zakresu generatywnej sztucznej inteligencji								INF1_W10 INF1_W14
EU2	sposób opracowania wybranych metod generatywnej sztucznej inteligencji								INF1_W10 INF1_W14
EU3	zastosowania generatywnej sztucznej inteligencji oraz związane z nimi kwestie etyczne								INF1_W14
EU4	wykorzystywać narzędzia sztucznej inteligencji wysokiego poziomu na potrzeby generowania oraz przetwarzania, tekstu, mowy, dźwięku i obrazu								INF1_U13
EU5	wykorzystać publicznie dostępne biblioteki programistyczne z zaimplementowanymi generatywnymi technikami sztucznej inteligencji do tworzenia niestandardowego oprogramowania								INF1_U13
EU6	opracować „od postaw” wybraną metodę generatywnej sztucznej inteligencji								INF1_U13
EU7	krytycznej oceny technicznej jakości dźwięku i obrazu wygenerowanego z użyciem metod sztucznej inteligencji oraz dyskusji dotyczącej kwestii etycznych związanych z generatywnymi technikami sztucznej inteligencji								INF1_K01
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie − test wyboru								W
EU2	zaliczenie − test wyboru								W
EU3	zaliczenie − test wyboru								W
EU4	ocena opracowanego oprogramowania oraz wygenerowanych treści audio-wizualnych								Ps
EU5	ocena opracowanego oprogramowania oraz wygenerowanych treści audio-wizualnych								Ps
EU6	ocena opracowanego oprogramowania oraz wygenerowanych treści audio-wizualnych								Ps
EU7	ocena opracowanego oprogramowania oraz wygenerowanych treści audio-wizualnych								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - udziałem w wykładach								26
	2 - udziałem w innych formach zajęć								30
	3 - indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w egzaminie/zaliczeniach organizowanych poza planem zajęć								4
	4 - przygotowaniem do zaliczenia wykładu								5
	5 - przygotowaniem do bieżących zajęć								60
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									125 (1)+(2)+(3)+(4)+(5)	5.0
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									30 (2)	1.2
Literatura podstawowa	1. D. Foster, Generative Deep Learning: Teaching Machines To Paint, Write, Compose, and Play, O'Reilly Media, 2022 2. M. Liu, Learn Generative AI with PyTorch, Manning, 2024 3. C. Fregly, A. Barth, S. Eigenbrode, Generative AI on AWS: Building Context-Aware Multimodal Reasoning Applications, O'Reilly Media. 2023 4. N. Dhamani, M. Engler, Introduction to Generative AI, Manning, 2024
Literatura uzupełniająca	1. J. Phoenix, M. Taylor, Prompt Engineering for Generative AI, O'Reilly Media, 2024 2. S. Raschka, Build a Large Language Model (From Scratch), Manning, 2024 3. A. Bahree, Generative AI in Action, Manning, 2024
Jednostka realizująca	Wydział Informatyki								Data opracowania programu
Program opracował(a)	dr inż. Magdalena Topczewska,dr hab. inż. Sławomir Zieliński								2025.05.12