Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Sztuczna inteligencja

Informacje ogólne

Kod przedmiotu: 220620-D
Kod Erasmus / ISCED: 11.4 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (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: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty kierunkowe do wyboru SMMD-ADA
Przedmioty kierunkowe do wyboru SMMD-MIS
Punkty ECTS i inne: 3.00 (zmienne w czasie) 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.

zobacz reguły punktacji
Język prowadzenia: polski
Efekty uczenia się:

Wiedza:

Student powinien określić główne obszary sztucznej inteligencji

Student powinien potrafić zdefiniować i opisać metody reprezentacji wiedzy

Student powinien potrafić wymienić i opisać metody reprezentacji niepewności w systemie informatycznym

Student powinien potrafić zdefiniować pojęcie heurystyki, wymienić i sklasyfikować metody przeszukiwania przestrzeni stanów

Student powinien potrafić zdefiniować i podać przykłady automatycznego uczenia.

Umiejętności:

Student powinien umieć ocenić i określić rodzaj rozwiązywanego problemu,

Student powinien potrafić zbudować model oparty na sztucznej sieci neuronowej i zweryfikować jego poprawność

Student powinien potrafić zbudować model oparty na algorytmach genetycznychi zweryfikować jego poprawność

Student powinien potrafić zbudować model oparty na drzewach klasyfikacyjnych zweryfikować jego poprawność

Student powinien potrafić zbudować model oparty na statystycznych metodach maszynowego uczenia (bagging , random forest , boosting i innych) i zweryfikować jego poprawność

Kompetencje społeczne:

Umiejętność twórczego rozwiązywania problemów,

Umiejętność pracy w grupie.

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

Okres: 2025-02-15 - 2025-09-30
48

Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 10 godzin więcej informacji
Wykład, 20 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Jarosław Olejniczak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.

Pełny opis:

Celem zajęć jest przekazanie wiedzy z zakresu Sztucznej Inteligencji (SI) ze szczególnym zwróceniem uwagi na aspekty ekonomiczne. Ponadto celem zajęć jest zdobycie przez studentów umiejętności rozwiązywania wybranych zagadnień ekonomicznych z wykorzystaniem metod i technik SI.

Sztuczna inteligencja to dziedzina, w ramach której szuka się metod rozwiązywania problemów wspieranych technologią komputerową, naśladując sposób rozumowania człowieka lub procesy występujące w przyrodzie. Jej rozwój i metody są nierozłącznie związane z rozwojem technik informatyczych. W części wykładowej omówione zostaną podstawowe metody i techniki sztucznej inteligencji takie jak: metody reprezentacji wiedzy, reprezentacja niepewności, maszynowe uczenie się, sztuczne sieci neuronowe, algorytmy genetyczne czy zagadnienia związane z Data Mining, Web miningiem i Text miningiem. W części ćwiczeniowej studenci będą mieli możliwość rozwiązania zagadnień optymalizacyjnych, klasyfikacyjnych i prognostycznych z wykorzystaniem wybranych metod sztucznej inteligencji.

Literatura:

Literatura podstawowa:

J.S.Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; B.Stefanowicz, Metody sztucznej inteligencji i systemy eksperckie, Oficyna Wydawnicza SGH, Warszawa 1993.

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991; E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998; J.Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; R.Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; M.Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza Zarządzanie i Finanse, Warszawa 2002; M.Lasek, Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw. Zastosowania SAS Enterprise Miner, Wydawnictwo DIFIN, Warszawa 2007; E.Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.

Uwagi:

Kryteria oceniania:

egzamin testowy: 30.00%

referaty/eseje: 35.00%

ocena z ćwiczeń: 35.00%

Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 10 godzin więcej informacji
Wykład, 20 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Jarosław Olejniczak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.

Pełny opis:

Celem zajęć jest przekazanie wiedzy z zakresu Sztucznej Inteligencji (SI) ze szczególnym zwróceniem uwagi na aspekty ekonomiczne. Ponadto celem zajęć jest zdobycie przez studentów umiejętności rozwiązywania wybranych zagadnień ekonomicznych z wykorzystaniem metod i technik SI.

Sztuczna inteligencja to dziedzina, w ramach której szuka się metod rozwiązywania problemów wspieranych technologią komputerową, naśladując sposób rozumowania człowieka lub procesy występujące w przyrodzie. Jej rozwój i metody są nierozłącznie związane z rozwojem technik informatyczych. W części wykładowej omówione zostaną podstawowe metody i techniki sztucznej inteligencji takie jak: metody reprezentacji wiedzy, reprezentacja niepewności, maszynowe uczenie się, sztuczne sieci neuronowe, algorytmy genetyczne czy zagadnienia związane z Data Mining, Web miningiem i Text miningiem. W części ćwiczeniowej studenci będą mieli możliwość rozwiązania zagadnień optymalizacyjnych, klasyfikacyjnych i prognostycznych z wykorzystaniem wybranych metod sztucznej inteligencji.

Literatura:

Literatura podstawowa:

J.S.Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; B.Stefanowicz, Metody sztucznej inteligencji i systemy eksperckie, Oficyna Wydawnicza SGH, Warszawa 1993.

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991; E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998; J.Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; R.Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; M.Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza Zarządzanie i Finanse, Warszawa 2002; M.Lasek, Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw. Zastosowania SAS Enterprise Miner, Wydawnictwo DIFIN, Warszawa 2007; E.Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.

Uwagi:

Kryteria oceniania:

egzamin testowy: 30.00%

referaty/eseje: 35.00%

ocena z ćwiczeń: 35.00%

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

Okres: 2024-02-24 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 10 godzin więcej informacji
Wykład, 20 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Jarosław Olejniczak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.

Pełny opis:

Celem zajęć jest przekazanie wiedzy z zakresu Sztucznej Inteligencji (SI) ze szczególnym zwróceniem uwagi na aspekty ekonomiczne. Ponadto celem zajęć jest zdobycie przez studentów umiejętności rozwiązywania wybranych zagadnień ekonomicznych z wykorzystaniem metod i technik SI.

Sztuczna inteligencja to dziedzina, w ramach której szuka się metod rozwiązywania problemów wspieranych technologią komputerową, naśladując sposób rozumowania człowieka lub procesy występujące w przyrodzie. Jej rozwój i metody są nierozłącznie związane z rozwojem technik informatyczych. W części wykładowej omówione zostaną podstawowe metody i techniki sztucznej inteligencji takie jak: metody reprezentacji wiedzy, reprezentacja niepewności, maszynowe uczenie się, sztuczne sieci neuronowe, algorytmy genetyczne czy zagadnienia związane z Data Mining, Web miningiem i Text miningiem. W części ćwiczeniowej studenci będą mieli możliwość rozwiązania zagadnień optymalizacyjnych, klasyfikacyjnych i prognostycznych z wykorzystaniem wybranych metod sztucznej inteligencji.

Literatura:

Literatura podstawowa:

J.S.Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; B.Stefanowicz, Metody sztucznej inteligencji i systemy eksperckie, Oficyna Wydawnicza SGH, Warszawa 1993.

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991; E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998; J.Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; R.Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; M.Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza Zarządzanie i Finanse, Warszawa 2002; M.Lasek, Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw. Zastosowania SAS Enterprise Miner, Wydawnictwo DIFIN, Warszawa 2007; E.Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.

Uwagi:

Kryteria oceniania:

egzamin testowy: 30.00%

referaty/eseje: 35.00%

ocena z ćwiczeń: 35.00%

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

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 10 godzin więcej informacji
Wykład, 20 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Jarosław Olejniczak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

Patrz semestralny plan zajęć.

Pełny opis:

Celem zajęć jest przekazanie wiedzy z zakresu Sztucznej Inteligencji (SI) ze szczególnym zwróceniem uwagi na aspekty ekonomiczne. Ponadto celem zajęć jest zdobycie przez studentów umiejętności rozwiązywania wybranych zagadnień ekonomicznych z wykorzystaniem metod i technik SI.

Sztuczna inteligencja to dziedzina, w ramach której szuka się metod rozwiązywania problemów wspieranych technologią komputerową, naśladując sposób rozumowania człowieka lub procesy występujące w przyrodzie. Jej rozwój i metody są nierozłącznie związane z rozwojem technik informatyczych. W części wykładowej omówione zostaną podstawowe metody i techniki sztucznej inteligencji takie jak: metody reprezentacji wiedzy, reprezentacja niepewności, maszynowe uczenie się, sztuczne sieci neuronowe, algorytmy genetyczne czy zagadnienia związane z Data Mining, Web miningiem i Text miningiem. W części ćwiczeniowej studenci będą mieli możliwość rozwiązania zagadnień optymalizacyjnych, klasyfikacyjnych i prognostycznych z wykorzystaniem wybranych metod sztucznej inteligencji.

Literatura:

Literatura podstawowa:

J.S.Zieliński, Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000; B.Stefanowicz, Metody sztucznej inteligencji i systemy eksperckie, Oficyna Wydawnicza SGH, Warszawa 1993.

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991; E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998; J.Arabas, Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2001; R.Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993; M.Lasek, Data Mining zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza Zarządzanie i Finanse, Warszawa 2002; M.Lasek, Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw. Zastosowania SAS Enterprise Miner, Wydawnictwo DIFIN, Warszawa 2007; E.Gatnar, Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.

Uwagi:

Kryteria oceniania:

egzamin testowy: 30.00%

referaty/eseje: 35.00%

ocena z ćwiczeń: 35.00%

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa
tel: +48 22 564 60 00 http://www.sgh.waw.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0