Informacje podstawowe
- Kierunek studiów
- Informatyka Społeczna
- Specjalność
- -
- Jednostka organizacyjna
- Wydział Humanistyczny
- Poziom kształcenia
- Studia licencjackie I stopnia
- Forma studiów
- Stacjonarne
- Profil studiów
- Praktyczny
- Cykl dydaktyczny
- 2025/2026
- Kod przedmiotu
- HIFSS.I2.17988.25
- Języki wykładowe
- polski
- Obligatoryjność
- Obowiązkowy
- Blok zajęciowy
- Przedmioty kierunkowe
- Przedmiot powiązany z badaniami naukowymi
- Nie
|
Okres
Semestr 2
|
Forma zaliczenia
Egzamin
Forma prowadzenia i godziny zajęć
Wykład:
14
Ćwiczenia laboratoryjne: 14 |
Liczba punktów ECTS
3
|
Cele kształcenia dla przedmiotu
| C1 | Zapoznanie studentów z historią rozwoju programu badawczego sztucznej inteligencji i głównymi osiągnięciami tego programu |
| C2 | Nauczenie studentów stosowania wybranych technik algorytmicznych wypracowanych w ramach programu badawczego sztucznej inteligencji |
Efekty uczenia się dla przedmiotu
| Kod | Efekty w zakresie | Kierunkowe efekty uczenia się | Metody weryfikacji |
| Wiedzy – Student zna i rozumie: | |||
| W1 | Student zna historię rozwoju programu badawczego sztucznej inteligencji od lat 50-tych XX wieku aż do lat 20-tych XXI wieku i wymienia najważniejsze techniki związane z tym programem | IFS1P_W01 | Egzamin |
| W2 | Student zna i rozumie podstawy teorii gier i ogólne zagadnienia związane z wnioskowaniem probabilistycznym | IFS1P_W01 | Wykonanie ćwiczeń laboratoryjnych, Egzamin |
| Umiejętności – Student potrafi: | |||
| U1 | Student potrafi zaimplementować w praktyce wybrane algorytmy wyszukiwania | IFS1P_U05, IFS1P_U10 | Wykonanie ćwiczeń laboratoryjnych |
| U2 | Student stosuje techniki algorytmiczne związane z problemami spełniania ograniczeń (CSP) | IFS1P_U05 | Wykonanie ćwiczeń laboratoryjnych, Egzamin |
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć
Wykłady:
- Ogólny zarys historii programu badawczego sztucznej inteligencji
- Podstawowe zagadnienia matematyczne związane z technikami sztucznej inteligencji
- Rozwiązywanie problemów i algorytmy wyszukiwania
- Problemy spełniania ograniczeń
- Wnioskowanie probabilistyczne
- Podstawy teorii gier i podejmowania decyzji w warunkach niepewności
Ćwiczenia laboratoryjne:
- Implementacja wybranych algorytmów wyszukiwania
- Algorytmiczne rozwiązywanie problemów spełniania ograniczeń
- Programowanie probabilistyczne
Nakład pracy studenta
| Rodzaje zajęć studenta | Średnia liczba godzin* przeznaczonych na zrealizowane aktywności | |
| Wykład | 14 | |
| Ćwiczenia laboratoryjne | 14 | |
| Przygotowanie do zajęć | 30 | |
| Dodatkowe godziny kontaktowe | 5 | |
| Przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania | 15 | |
| Egzamin lub kolokwium zaliczeniowe | 2 | |
| Łączny nakład pracy studenta |
Liczba godzin
80
|
|
| Liczba godzin kontaktowych |
Liczba godzin
28
|
|
* godzina (lekcyjna) oznacza 45 minut
Treści programowe
| Lp. | Treści programowe | Efekty uczenia się dla przedmiotu | Formy prowadzenia zajęć |
| 1. |
Ogólny zarys historii programu badawczego sztucznej inteligencji |
W1 | Wykład |
| 2. |
Podstawowe zagadnienia matematyczne związane z technikami sztucznej inteligencji |
W2 | Wykład |
| 3. |
Rozwiązywanie problemów i algorytmy wyszukiwania |
W1, U1 | Wykład |
| 4. |
Problemy spełniania ograniczeń |
W1, U2 | Wykład |
| 5. |
Wnioskowanie probabilistyczne |
W2 | Wykład |
| 6. |
Podstawy teorii gier i podejmowania decyzji w warunkach niepewności |
W2 | Wykład |
| 7. |
Implementacja wybranych algorytmów wyszukiwania |
U1 | Ćwiczenia laboratoryjne |
| 8. |
Algorytmiczne rozwiązywanie problemów spełniania ograniczeń |
U2 | Ćwiczenia laboratoryjne |
| 9. |
Programowanie probabilistyczne |
W2 | Ćwiczenia laboratoryjne |
Informacje rozszerzone
Metody i techniki kształcenia :
Wykład, Demonstracja, instruktaż, Metoda projektowa (ang. Project Based Learning), Metoda problemowa (ang. Problem Based Learning)
| Rodzaj zajęć | Metody zaliczenia | Warunki zaliczenia przedmiotu |
|---|---|---|
| Wykład | Egzamin | Warunkiem przystąpienia do egzaminu jest wcześniejsze uzyskanie zaliczenia z ćwiczeń. Uzyskanie pozytywnej oceny końcowej następuje po uzyskaniu pozytywnego wyniku z egzaminu poprzedzonego pozytywnym zaliczeniem ćwiczeń. Warunkiem zaliczenia przedmiotu jest poprawna odpowiedź na więcej niż 50% zagadnień w trakcie egzaminu pisemnego |
| Ćwiczenia laboratoryjne | Wykonanie ćwiczeń laboratoryjnych | Warunkiem zaliczenia ćwiczeń laboratoryjnych jest zaliczenie wszystkich zadanych ćwiczeń laboratoryjnych w formie mini projektów |
Sposób obliczania oceny końcowej
Ocena z ćwiczeń laboratoryjnych: Bazowa ocena zakładająca obecności na wszystkich zajęciach (dopuszczalna jedna nieobecność) i poprawne wykonanie wszystkich zadań: 5,0 Każda dodatkowa nieobecność oprócz pierwszej obniża ocenę o 1 stopień Niepoprawne wykonanie zadania obniża ocenę w zależności od stopnia niepoprawności Ocena z wykładów: Szczegółowe informacje dotyczące sposobu oceny egzaminu pisemnego zostaną podane na pierwszym wykładzie
Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach
Możliwość zaliczenia w trakcie dyżurów
Wymagania wstępne i dodatkowe
Podstawowe umiejętności programowania w języku Python uzyskane w ramach przedmiotu "Metody i techniki programowania I"
Podstawowe wiadomości na temat współczesnych technologii AI uzyskane w ramach przedmiotu "Odpowiedzialność i etyka w stosowaniu narzędzi AI"
Zasady udziału w poszczególnych zajęciach, ze wskazaniem, czy obecność studenta na zajęciach jest obowiązkowa
Obecność na wykładach nie jest obowiązkowa, obecność na ćwiczeniach laboratoryjnych jest obowiązkowa. Dopuszczalna jest jednorazowa nieobecność na ćwiczeniach laboratoryjnych, która nie niesie ze sobą żadnych konsekwencji. Każda dodatkowa nieobecność obniża końcową ocenę o stopień. Nieobecności można odrabiać podczas dyżurów
Literatura
Obowiązkowa- Stuart Russell, Peter Norvig, Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1, Helion: Gliwice 2023