Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Biometria i przetwarzanie sygnałów							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Deep Learning w biometrii							Kod przedmiotu	INF2DLB
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2
	15				15			Punkty ECTS	2
Przedmioty wprowadzające
Cele przedmiotu	Zapoznanie studentów z podstawowymi metodami uczenia maszynowego. Wprowadzenie do tematyki inercyjnych czujników ruchu IMU (ang. Inertial Measurement Unit) oraz informacji przez nie mierzonych (które stanowić mają zbiór badanych danych). Przedstawienie zasad działania, zalet oraz wad, przykładów użycia elementarnych algorytmów Uczenia Maszynowego. W szczególności student zaznajomiony zostanie z algorytmami takimi jak DTW (ang. Dynamic Time Warping), SVM (ang. Support Vector Machine), HMM (ang. Hidden Markov Models), jak również wybranej metody sztucznej inteligencji oraz podstawami sieci Bayesowskich.
Treści programowe	Wykład oraz pracownia specjalistyczna: 1. Wielkości mierzone przez wybrane sensory: akcelerometry, żyroskopy oraz magnetometry. 2. Inercyjne czujniki orientacji IMU. 3. Metody reprezentacji obrotu w przestrzeni trójwymiarowej. 4. Ekstrakcja Cech 5. Algorytmy uczenia maszynowego;. 6. Metody: DTW (ang. Dynamic Time Warping), SVM (ang. Support Vector Machine), HMM (ang. Hidden Markov Models). 7. Wybrane algorytmy sztucznej inteligencji. 8. Sieci Bayesowskie.
Metody dydaktyczne	metoda tekstu przewodniego, wykład problemowy, programowanie z użyciem komputera, wykład informacyjny,
Forma zaliczenia	Wykład - zaliczenie pisemne. Pracownia specjalistyczna - sprawozdania.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna różne metody reprezentacji obrotów w przestrzeni trójwymiarowej; potrafi przeprowadzić transformację wektorów pomiędzy układami odniesienia								INF2_W01 INF2_W03 INF2_U01
EU2	potrafi wyodrębnić niezbędne cechy z przetwarzanych sygnałów.								INF2_U03 INF2_U04
EU3	jest w stanie zaimplementować wybrany algorytm w środowisku programistycznym								INF2_U03 INF2_U04
EU4	zna zróżnicowane metody klasyfikacji wzorców								INF2_W07
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne, sprawozdania								W, Ps
EU2	sprawozdania								Ps
EU3	sprawozdania								Ps
EU4	zaliczenie pisemne								W
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 15x1h								15
	2 - Udział w pracowni specjalistycznej - 15x1h								15
	3 - Udział w konsultacjach								5
	4 - Przygotowanie do pracowni specjalistycznej								5
	5 - Opracowanie sprawozdań z laboratorium lub pracowni i/lub wykonanie zadań domowych (prac domowych)								5
	6 - Przygotowanie do zaliczenia								5
RAZEM:									50
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									35 (3)+(1)+(2)	1.4
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									25 (2)+(4)+(5)	1.0
Literatura podstawowa	1. F. Dunn, I. Parberry, 3D Math Primer for Graphics and Game Development, Wordware Publishing, 2002. 2. M. Müller, Information Retrieval for Music and Motion, Springer Berlin Heidelberg 2007. 3. M. Flasiński, "Wstęp do sztucznej inteligencji",Wydawnictwo Naukowe PWN, 2018. 4. S. Taylor, Markov Models: An Introduction to Markov Model, Createspace Independent Publishing Platform, 2017.
Literatura uzupełniająca	1.H. Kubzdela, Automatyczna ekstrakcja wybranych cech widmowych mowy,Polska Akademia Nauk. Instytut Podstawowych Problemów Techniki, 1994. 2. A. Alasdair, Basic Sensors in iOS Programming the Accelerometer, Gyroscope, and More, O'Reilly Media, 2011. 3. I.Guyon, S. Gunn, M. Nikravesh, L. A. Zadeh, Feature Extraction: Foundations and Applications, Springer-Verlag, 2006.
Jednostka realizująca	Katedra Mediów Cyfrowych i Grafiki Komputerowej								Data opracowania programu
Program opracował(a)	prof. dr hab. inż. Khalid Saeed								2020.05.22