Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Sztuczna inteligencja

Informacje ogólne

Kod przedmiotu: 0800-SZIN
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Sztuczna inteligencja
Jednostka: Wydział Fizyki, Astronomii i Informatyki Stosowanej
Grupy: Przedmioty ogólnouniwersyteckie
Strona przedmiotu: http://www.is.umk.pl/~duch/Wyklady/AI25/AI_plan.html
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

Podstawowy kurs programowania

Rodzaj przedmiotu:

przedmiot obligatoryjny

Całkowity nakład pracy studenta:

30 g wykład + 24 g lab + 60 g pracy własnej nad projektami, plus 30 godzin przygotowań do egzaminu

Efekty uczenia się - wiedza:

Student po zakończeniu tych zajęć, pozytywnym zaliczeniu laboratorium i zdaniem egzaminu powinien:


* zdefiniować, opisać, wyliczyć zagadnienia wchodzące w zakres zainteresowań sztucznej inteligencji, jej podstawowych metod i pojęć (informatyka stosowana: K_W08);

* posiadać umiejętność oceny złożoności obliczeniowej różnych procesów szukania (informatyka stosowana: K_W04);

* znać podstawowe metody reprezentacji wiedzy i schematy wnioskowania (informatyka stosowana: K_W08);

* rozumieć problemy i metody używane do analizy języka naturalnego;

* znać zasady i rodzaje systemów ekspertowych i ich możliwe zastosowania;

* posiadać wiedzę na temat projektowania podstawowych algorytmów sztucznej inteligencji, narzędzi do tego służących oraz ich potencjalnych zastosowań w różnych dziedzinach (informatyka stosowana: K_W08).

Efekty uczenia się - umiejętności:

Student po zakończeniu tych zajęć pozytywnym zaliczeniem laboratorium i zdaniem egzaminu powinien:

* znaleźć informacje na temat sztucznej inteligencji korzystając z z literatury, baz danych oraz innych źródeł, ocenić je, zinterpretować, wyciągać wnioski i formułować opinie (K_U04);

* potrafi wykorzystać teoretyczną wiedzę dotyczącą pojęć przydatnych do analizy i rozwiązania problemów stosując odpowiednie metody reprezentacji różnych form wiedzy w zależności od jej formy (K_U02);

* ocenić możliwości i wybrać odpowiednie sposób tworzenia modeli w postaci konstrukcji systemów ekspertowych w zależności od obszaru ich zastosowań (K_U01, K_U02);

* znaleźć odpowiednie narzędzia AI pomocne w rozwiązywaniu naukowych problemów (K_U04).

Efekty uczenia się - kompetencje społeczne:

Student po zakończeniu tych zajęć, pozytywnym zaliczeniu laboratorium i zdaniu egzaminu powinien:

* wykazać się skutecznością w realizacji projektów o charakterze programistyczno-wdrożeniowym w oparciu o poznane metody (K_K03);

* potrafić przekazać informację o osiągnięciach informatyki i różnych aspektach zawodu informatyka w sposób powszechnie zrozumiały oraz śledzić postępy w tej szybko rozwijającej się dziedzinie (K_K04);

* rozumieć znaczenie zdobytej wiedzy i krytycznie ją oceniać, znając jej ograniczenia (K_K06).

Metody dydaktyczne:

Wykład + laboratorium + demonstracje programów + projekty.

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład problemowy

Metody dydaktyczne poszukujące:

- laboratoryjna
- projektu

Skrócony opis:

Wstęp do metod sztucznej inteligencji (AI) omawia kluczowe zagadnienia AI, historię i wielkie projekty, podstawowe metody szukania rozwiązań problemów, metody reprezentacji wiedzy, analizę języka naturalnego, systemy doradcze, sieci neuronowe, uczenie maszynowe, duże modele językowe, modele rozumujące, odkrywanie wiedzy w danych, przykłady zastosowań w nauce i biznesie.

Wykład dostępny jest dla każdego studenta z podstawowymi umiejętnościami informatycznymi. Zajęcia na temat data mining i uczenia maszynowego są dobrym uzupełnieniem do tego wykładu.

Pełny opis:

1. Wstęp do metod AI: kluczowe zagadnienia AI; definicje, status AI; sprzęt do obliczeń, kontekst historyczny, najważniejsze odkrycia, wielkie projekty, obecna sytuacja.

2. Rozwiązywanie problemów: algorytmy przeszukiwania i optymalizacji. Reprezentacja problemu w przestrzeni stanów; reprezentacja redukcyjna; metody szukania; szukanie heurystyczne, przykłady programów opartych na szukaniu; szukanie a ludzkie myślenie.

3. Reprezentacja wiedzy i wnioskowanie: rodzaje wiedzy; reprezentacja symboliczna, logika predykatów, logika rozmyta i przybliżona; systemy regułowe; reprezentacja proceduralna.

4. Sieci semantyczne i grafy wiedzy; ramki i skrypty, agenci programowi, programy oparte na szukani i ich ograniczenia, zastosowania w grach, od szachów po StarCraft.

5. Systemy wspomagające podejmowanie decyzji: akwizycja wiedzy; od zrobotyzowanej automatyzacji procesów po systemy kognitywne, konstrukcja systemów doradczych; przykłady zastosowań, wielkie systemy symboliczne, CYC, SOAR i Watson.

6. Rozumienie języka naturalnego, podejście symboliczne i reprezentacje subsymboliczne, brak jednoznaczności, semantyka i rola kontekstu, klasyfikacja wypowiedzi, tłumaczenie maszynowe, koneksjonizm.

7. Dane w systemach AI: akwizycja, oczyszczanie, niepewność, rozkłady probabilistyczne, tw. Bayesa, rozpoznawanie wzorców i miary poprawności, reprezentacje wektorowe – Word2Vec, Glove, mechanizm uwagi.

8. Uczenie maszynowe: rodzaje, uczenie nadzorowane, drzewa decyzji, regresja, SVM, oceny podobieństwa, klasyfikacja i regresja z użyciem sieci neuronowych, pamięci skojarzeniowe, model Hopfielda i maszyny Boltzmanna.

9. Uczenie nienadzorowane: klasteryzacja, --średnich, hierarchiczna, eksploracja danych i wizualizacja, PCA, ICA, MDS, UMAP, t-SNE, manifolds.

10. Uczenie ze wzmocnieniem, procesy Markova, HMM, strategie i zastosowania w grach, robotyce, rozumowaniu.

11. Uczenie głębokie, architektura sieci konwolucyjnych, zastosowania do analizy obrazu.

12. Transformery, duże modele językowe i mulitmodalne, modele działania (Large Behavioral Models), generatywna sztuczna inteligencja, GANy i inne modele.

13. Narzędzia: HugginFace i inne repozytoria, projekty na GitHub, małe lokalne modele SLM.

14. Interakcja człowiek-maszyna, modele umysłu, zunifikowane teorie poznania i autonomiczne LMMy, interpretowalność.

15. Globalne wyzwania, najważniejsze systemy, odkrycia dzięki AI, automatyzacja kreatywności, wpływ na społeczeństwo i gospodarkę.

Literatura:

S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Helion 2023

Hadelin de Ponteves, Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego. Helion 2021

Jon Krohn, Grant Beyleveld, Aglaé Bassens, Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany. Helion 2021

Thomas H. Davenport Nitin Mittal

Sztuczna inteligencja w biznesie. Jak zdobyć rynkową przewagę dzięki AI. Wyd. MT Biznes, 2023

Kursy MOOC

Metody i kryteria oceniania:

Prace zaliczeniowe w ramach laboratorium.

Egzamin będzie w formie pisemnej, na końcu wielu wykładów są przykładowe pytania. Maksymalna liczba uzyskanych punktów =10), oceny:

Punkty 10 9 8 7 6 5 4.5 1-4

Oceny 5 4+ 4 4- 3+ 3 3- 2

Praktyki zawodowe:

Nie są planowane

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 24 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Włodzisław Duch
Prowadzący grup: Włodzisław Duch, Tomasz Piotrowski, Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 24 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Włodzisław Duch
Prowadzący grup: Włodzisław Duch, Tomasz Piotrowski, Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr letni 2024/25" (w trakcie)

Okres: 2025-02-24 - 2025-09-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 24 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Włodzisław Duch
Prowadzący grup: Włodzisław Duch, Tomasz Piotrowski, Oleksandr Sokolov
Strona przedmiotu: http://www.is.umk.pl/~duch/Wyklady/AI25/AI_plan.html
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Wstęp do metod sztucznej inteligencji (AI) omawia kluczowe zagadnienia AI, historię i wielkie projekty, podstawowe metody szukania rozwiązań problemów, metody reprezentacji wiedzy, analizę języka naturalnego, systemy doradcze, sieci neuronowe, uczenie maszynowe, duże modele językowe, modele rozumujące, odkrywanie wiedzy w danych, przykłady zastosowań w nauce i biznesie.

Wykład dostępny jest dla każdego studenta z podstawowymi umiejętnościami informatycznymi. Zajęcia na temat data mining i uczenia maszynowego są dobrym uzupełnieniem do tego wykładu.

Pełny opis:

1. Wstęp do metod AI: kluczowe zagadnienia AI; definicje, status AI; sprzęt do obliczeń, kontekst historyczny, najważniejsze odkrycia, wielkie projekty, obecna sytuacja.

2. Rozwiązywanie problemów: algorytmy przeszukiwania i optymalizacji. Reprezentacja problemu w przestrzeni stanów; reprezentacja redukcyjna; metody szukania; szukanie heurystyczne, przykłady programów opartych na szukaniu; szukanie a ludzkie myślenie.

3. Reprezentacja wiedzy i wnioskowanie: rodzaje wiedzy; reprezentacja symboliczna, logika predykatów, logika rozmyta i przybliżona; systemy regułowe; reprezentacja proceduralna.

4. Sieci semantyczne i grafy wiedzy; ramki i skrypty, agenci programowi, programy oparte na szukani i ich ograniczenia, zastosowania w grach, od szachów po StarCraft.

5. Systemy wspomagające podejmowanie decyzji: akwizycja wiedzy; od zrobotyzowanej automatyzacji procesów po systemy kognitywne, konstrukcja systemów doradczych; przykłady zastosowań, wielkie systemy symboliczne, CYC, SOAR i Watson.

6. Rozumienie języka naturalnego, podejście symboliczne i reprezentacje subsymboliczne, brak jednoznaczności, semantyka i rola kontekstu, klasyfikacja wypowiedzi, tłumaczenie maszynowe, koneksjonizm.

7. Dane w systemach AI: akwizycja, oczyszczanie, niepewność, rozkłady probabilistyczne, tw. Bayesa, rozpoznawanie wzorców i miary poprawności, reprezentacje wektorowe – Word2Vec, Glove, mechanizm uwagi.

8. Uczenie maszynowe: rodzaje, uczenie nadzorowane, drzewa decyzji, regresja, SVM, oceny podobieństwa, klasyfikacja i regresja z użyciem sieci neuronowych, pamięci skojarzeniowe, model Hopfielda i maszyny Boltzmanna.

9. Uczenie nienadzorowane: klasteryzacja, --średnich, hierarchiczna, eksploracja danych i wizualizacja, PCA, ICA, MDS, UMAP, t-SNE, manifolds.

10. Uczenie ze wzmocnieniem, procesy Markova, HMM, strategie i zastosowania w grach, robotyce, rozumowaniu.

11. Uczenie głębokie, architektura sieci konwolucyjnych, zastosowania do analizy obrazu.

12. Transformery, duże modele językowe i mulitmodalne, modele działania (Large Behavioral Models), generatywna sztuczna inteligencja, GANy i inne modele.

13. Narzędzia: HugginFace i inne repozytoria, projekty na GitHub, małe lokalne modele SLM.

14. Interakcja człowiek-maszyna, modele umysłu, zunifikowane teorie poznania i autonomiczne LMMy, interpretowalność.

15. Globalne wyzwania, najważniejsze systemy, odkrycia dzięki AI, automatyzacja kreatywności, wpływ na społeczeństwo i gospodarkę.

Literatura:

S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Helion 2023

Hadelin de Ponteves, Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego. Helion 2021

Jon Krohn, Grant Beyleveld, Aglaé Bassens, Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany. Helion 2021

Thomas H. Davenport Nitin Mittal

Sztuczna inteligencja w biznesie. Jak zdobyć rynkową przewagę dzięki AI. Wyd. MT Biznes, 2023

Kursy MOOC

Uwagi:

Co roku ten sylabus wymaga radykalnych zmiany.

Zajęcia w cyklu "Semestr letni 2025/26" (jeszcze nie rozpoczęty)

Okres: 2026-02-23 - 2026-09-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 24 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Włodzisław Duch
Prowadzący grup: Włodzisław Duch, Tomasz Piotrowski
Strona przedmiotu: http://www.is.umk.pl/~duch/Wyklady/AI25/AI_plan.html
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Wstęp do metod sztucznej inteligencji (AI) omawia kluczowe zagadnienia AI, historię i wielkie projekty, podstawowe metody szukania rozwiązań problemów, metody reprezentacji wiedzy, analizę języka naturalnego, systemy doradcze, sieci neuronowe, uczenie maszynowe, duże modele językowe, modele rozumujące, odkrywanie wiedzy w danych, przykłady zastosowań w nauce i biznesie.

Wykład dostępny jest dla każdego studenta z podstawowymi umiejętnościami informatycznymi. Zajęcia na temat data mining i uczenia maszynowego są dobrym uzupełnieniem do tego wykładu.

Pełny opis:

1. Wstęp do metod AI: kluczowe zagadnienia AI; definicje, status AI; sprzęt do obliczeń, kontekst historyczny, najważniejsze odkrycia, wielkie projekty, obecna sytuacja.

2. Rozwiązywanie problemów: algorytmy przeszukiwania i optymalizacji. Reprezentacja problemu w przestrzeni stanów; reprezentacja redukcyjna; metody szukania; szukanie heurystyczne, przykłady programów opartych na szukaniu; szukanie a ludzkie myślenie.

3. Reprezentacja wiedzy i wnioskowanie: rodzaje wiedzy; reprezentacja symboliczna, logika predykatów, logika rozmyta i przybliżona; systemy regułowe; reprezentacja proceduralna.

4. Sieci semantyczne i grafy wiedzy; ramki i skrypty, agenci programowi, programy oparte na szukani i ich ograniczenia, zastosowania w grach, od szachów po StarCraft.

5. Systemy wspomagające podejmowanie decyzji: akwizycja wiedzy; od zrobotyzowanej automatyzacji procesów po systemy kognitywne, konstrukcja systemów doradczych; przykłady zastosowań, wielkie systemy symboliczne, CYC, SOAR i Watson.

6. Rozumienie języka naturalnego, podejście symboliczne i reprezentacje subsymboliczne, brak jednoznaczności, semantyka i rola kontekstu, klasyfikacja wypowiedzi, tłumaczenie maszynowe, koneksjonizm.

7. Dane w systemach AI: akwizycja, oczyszczanie, niepewność, rozkłady probabilistyczne, tw. Bayesa, rozpoznawanie wzorców i miary poprawności, reprezentacje wektorowe – Word2Vec, Glove, mechanizm uwagi.

8. Uczenie maszynowe: rodzaje, uczenie nadzorowane, drzewa decyzji, regresja, SVM, oceny podobieństwa, klasyfikacja i regresja z użyciem sieci neuronowych, pamięci skojarzeniowe, model Hopfielda i maszyny Boltzmanna.

9. Uczenie nienadzorowane: klasteryzacja, --średnich, hierarchiczna, eksploracja danych i wizualizacja, PCA, ICA, MDS, UMAP, t-SNE, manifolds.

10. Uczenie ze wzmocnieniem, procesy Markova, HMM, strategie i zastosowania w grach, robotyce, rozumowaniu.

11. Uczenie głębokie, architektura sieci konwolucyjnych, zastosowania do analizy obrazu.

12. Transformery, duże modele językowe i mulitmodalne, modele działania (Large Behavioral Models), generatywna sztuczna inteligencja, GANy i inne modele.

13. Narzędzia: HugginFace i inne repozytoria, projekty na GitHub, małe lokalne modele SLM.

14. Interakcja człowiek-maszyna, modele umysłu, zunifikowane teorie poznania i autonomiczne LMMy, interpretowalność.

15. Globalne wyzwania, najważniejsze systemy, odkrycia dzięki AI, automatyzacja kreatywności, wpływ na społeczeństwo i gospodarkę.

Literatura:

S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Helion 2023

Hadelin de Ponteves, Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego. Helion 2021

Jon Krohn, Grant Beyleveld, Aglaé Bassens, Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany. Helion 2021

Thomas H. Davenport Nitin Mittal

Sztuczna inteligencja w biznesie. Jak zdobyć rynkową przewagę dzięki AI. Wyd. MT Biznes, 2023

Kursy MOOC

Uwagi:

Co roku ten sylabus wymaga radykalnych zmiany.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0-7 (2025-03-24)