Praca Projektowa 2 - Sztuczna Inteligencja WF-FI-KGN-PP2-SI
Przedmiot ma na celu wprowadzenie studentów w metodę Problem-Based Learning poprzez realizację zespołowego projektu badawczego w obszarze analizy danych i sztucznej inteligencji. W trakcie zajęć studenci samodzielnie wybierają i analizują rzeczywisty problem badawczy, ucząc się planowania procesu badawczego, formułowania pytań badawczych oraz krytycznej analizy założeń.
Istotnym elementem przedmiotu jest pozyskiwanie, przygotowanie i przetwarzanie danych pochodzących z różnych źródeł i reprezentowanych w różnych formatach. Szczególny nacisk położony jest na dane nieustrukturyzowane i multimodalne, w tym obrazy, nagrania wideo, teksty oraz mowę i dane audio. Dane tabelaryczne są wykorzystywane jako uzupełniające źródło informacji oraz jako przykład danych strukturalnych.
Studenci poznają podstawowe techniki przygotowania danych dla różnych typów modalności, w tym czyszczenie i normalizację danych, ekstrakcję cech, reprezentacje wektorowe oraz przygotowanie zbiorów treningowych, walidacyjnych i testowych. W zależności od charakteru projektu wykorzystują narzędzia do analizy obrazów, wideo, tekstu oraz mowy i sygnałów audio.
W dalszej części zajęć studenci poznają wybrane metody uczenia maszynowego i głębokiego, ze szczególnym uwzględnieniem sieci neuronowych stosowanych do analizy danych wizualnych, tekstowych i dźwiękowych. Omawiane są m.in. podstawowe architektury sieci neuronowych, konwolucyjne sieci neuronowe (CNN), modele przeznaczone do przetwarzania tekstu i języka oraz wybrane metody analizy mowy i audio. W zależności od problemu badawczego mogą być również wykorzystywane gotowe modele wstępnie wytrenowane i metody transfer learning.
Duży nacisk kładziony jest na dobór metody do rodzaju danych i problemu badawczego, ocenę jakości danych, ocenę jakości modeli, interpretację wyników oraz identyfikację ograniczeń zastosowanych metod. Studenci porównują wybrane klasyczne metody analityczne z metodami opartymi na uczeniu maszynowym i sieciach neuronowych.
Zajęcia kończą się przygotowaniem raportu i prezentacji projektu, publicznym przedstawieniem rezultatów oraz wspólną dyskusją nad wynikami, ograniczeniami zastosowanych metod i możliwościami dalszego rozwoju projektu.
Grupa przedmiotów ogólnouczenianych
Koordynatorzy przedmiotu
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Efekty uczenia się
Student:
U1 – potrafi dobierać odpowiednie metody badawcze, gromadzić, przygotowywać i analizować dane różnego typu, w tym dane tabelaryczne, obrazy, materiały wideo, teksty oraz dane mowy i audio, formułować wnioski na podstawie przeprowadzonej analizy oraz krytycznie oceniać proces badawczy (KOG1_W17).
W1 – zna podstawowe pojęcia, specyfikę oraz wyzwania związane ze sztuczną inteligencją, zna główne kierunki jej rozwoju i zastosowania, w szczególności w analizie danych nieustrukturyzowanych i multimodalnych, oraz możliwości i ograniczenia zastosowania narzędzi AI w badaniu problemów z zakresu kognitywistyki (KOG1_W18).
W2 – zna zasady prawa autorskiego i potrafi stosować je w badaniach naukowych, w szczególności w odniesieniu do wykorzystywania zbiorów obrazów, nagrań wideo, tekstów oraz danych audio i mowy (KOG1_W20).
U2 – pod kierunkiem opiekuna naukowego potrafi odpowiednio dobierać narzędzia do zbierania, przygotowania, przetwarzania i analizy danych różnego typu, w tym narzędzia wykorzystujące metody uczenia maszynowego i sieci neuronowe, a także potrafi ocenić i zinterpretować uzyskane wyniki (KOG1_U08).
U3 - samodzielnie wyszukiwać, analizować, oceniać, selekcjonować i wykorzystywać informacje ze źródeł naukowych, pisanych i elektronicznych na potrzeby realizacji projektu badawczego, w tym informacje dotyczące metod analizy danych, sztucznej inteligencji oraz analizy danych multimodalnych, a także wykorzystywać narzędzia technologii informacyjno-komunikacyjnych (ICT) do pozyskiwania, przetwarzania, analizy i prezentacji danych (KOG1_U01)
U4 – identyfikować zagadnienia i problemy badawcze właściwe dla kognitywistyki, określać ich interdyscyplinarny charakter oraz przyporządkowywać je odpowiednim dyscyplinom i metodom badawczym, a następnie dobierać adekwatne metody analizy danych, w tym metody sztucznej inteligencji i sieci neuronowych, do realizacji projektu badawczego (KOG1_U13).
K1 - stosuje zasady efektywnej komunikacji i wzajemnego szacunku podczas rzeczowej dyskusji, własnych badań i projektów grupowych
(KOG1_K06) .
K2 - uwzględniać znaczenie dziedzictwa filozoficznego dla analizy i krytycznej oceny problemów podejmowanych w kognitywistyce oraz zastosowań sztucznej inteligencji i nowych technologii, w szczególności w kontekście założeń dotyczących natury poznania, człowieka i inteligencji, a także etycznych i społecznych konsekwencji ich wykorzystania (KOG1_K05)
Kryteria oceniania
1. Warunkiem zaliczenia jest obecność na zajęciaсh (nie mniej niż 80%)
2. Ocena z przedmiotu wystawiana jest na podstawie oceny z projektu grupowego – 40 pkt
Skala ocen (projekt):
0–19 pkt – niedostateczny (2.0)
20–23 pkt – dostateczny (3.0)
24–27 pkt – dostateczny plus (3.5)
28–31 pkt – dobry (4.0)
32–35 pkt – dobry plus (4.5)
36–40 pkt – bardzo dobry (5.0)
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: