Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Artificial Intelligence

Informacje ogólne

Kod przedmiotu: 220621-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: Artificial Intelligence
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Elective courses for AAB - masters
Elective courses for QEM - masters
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: angielski
Efekty uczenia się:

Wiedza:

Students should be able to describe the main areas of Artificial Intelligence,

Students should be able to define and describe the methods of knowledge representation

Students should be able to describe the uncertainty representation methods

Students should be able to define the concept of heuristic, list and classify the search methods in the large problem spaces

Students should be able to define and give examples of machine learning

Umiejętności:

Students should be able to properly classify the problem,

Students should be able to estimate if it is possible and is it worth to solve the problem using AI methods

Students should be able to choose appropriate method to solve the given problem

Students should be able to apply chosen method to solve the problem

Students should be able to compare the solution with the solutions obtained using other methods (e.g. econometric or statistical)

Kompetencje społeczne:

Ability to crative thinking and solving the real life complex problems,

Ability to cooperate in the group.

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Michał Bernardelli
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Presentation of the basic artificial intelligence methods with implementation (in R language) and examples of use. Among the commonly known methods, genetic algorithms, classification trees, random forests, and artificial neural networks are discussed in more detail. Several alternative modelling methods are the basis of student designs.

Pełny opis:

The aim of the lectures is to present the fundamental knowledge of Artificial Intelligence (AI) emphasizing the economic aspects of AI. Additionally the aim of the classes is learning how to solve chosen economic problems using methods and tools of Artificial Intelligence.

Artificial Intelligence (AI) is the field of computer science that seeks to understand and implement computer-based technology that can simulate: characteristics of human intelligence or processes observed in the nature. Lectures will present methods and techniques of AI e.g. : knowledge representation, uncertainty representation, machine learning, neural networks, genetic algorithms, data mining, web mining, and text mining. Students will have the opportunity to solve: optimization, classification and prediction issues using AI methods and tools.

Literatura:

Literatura podstawowa:

Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning

Michael Nielsen, Neural Networks and Deep Learning

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with Applications in R

Brad Boehmke, Brandon M. Greenwell, Hands-On Machine Learning with R

Fred Nwanganga, Mike Chapple, Practical Machine Learning in R

Dominic Lordy, Machine Learning with R: Step by Step Guide for Newbies

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991

E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

projekty: 50.00%

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

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Michał Bernardelli
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Presentation of the basic artificial intelligence methods with implementation (in R language) and examples of use. Among the commonly known methods, genetic algorithms, classification trees, random forests, and artificial neural networks are discussed in more detail. Several alternative modelling methods are the basis of student designs.

Pełny opis:

The aim of the lectures is to present the fundamental knowledge of Artificial Intelligence (AI) emphasizing the economic aspects of AI. Additionally the aim of the classes is learning how to solve chosen economic problems using methods and tools of Artificial Intelligence.

Artificial Intelligence (AI) is the field of computer science that seeks to understand and implement computer-based technology that can simulate: characteristics of human intelligence or processes observed in the nature. Lectures will present methods and techniques of AI e.g. : knowledge representation, uncertainty representation, machine learning, neural networks, genetic algorithms, data mining, web mining, and text mining. Students will have the opportunity to solve: optimization, classification and prediction issues using AI methods and tools.

Literatura:

Literatura podstawowa:

Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning

Michael Nielsen, Neural Networks and Deep Learning

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with Applications in R

Brad Boehmke, Brandon M. Greenwell, Hands-On Machine Learning with R

Fred Nwanganga, Mike Chapple, Practical Machine Learning in R

Dominic Lordy, Machine Learning with R: Step by Step Guide for Newbies

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991

E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

projekty: 50.00%

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

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

Presentation of the basic artificial intelligence methods with implementation (in R language) and examples of use. Among the commonly known methods, genetic algorithms, classification trees, random forests, and artificial neural networks are discussed in more detail. Several alternative modelling methods are the basis of student designs.

Pełny opis:

The aim of the lectures is to present the fundamental knowledge of Artificial Intelligence (AI) emphasizing the economic aspects of AI. Additionally the aim of the classes is learning how to solve chosen economic problems using methods and tools of Artificial Intelligence.

Artificial Intelligence (AI) is the field of computer science that seeks to understand and implement computer-based technology that can simulate: characteristics of human intelligence or processes observed in the nature. Lectures will present methods and techniques of AI e.g. : knowledge representation, uncertainty representation, machine learning, neural networks, genetic algorithms, data mining, web mining, and text mining. Students will have the opportunity to solve: optimization, classification and prediction issues using AI methods and tools.

Literatura:

Literatura podstawowa:

Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning

Michael Nielsen, Neural Networks and Deep Learning

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with Applications in R

Brad Boehmke, Brandon M. Greenwell, Hands-On Machine Learning with R

Fred Nwanganga, Mike Chapple, Practical Machine Learning in R

Dominic Lordy, Machine Learning with R: Step by Step Guide for Newbies

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991

E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

projekty: 50.00%

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

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Michał Bernardelli
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Presentation of the basic artificial intelligence methods with implementation (in R language) and examples of use. Among the commonly known methods, genetic algorithms, classification trees, random forests, and artificial neural networks are discussed in more detail. Several alternative modelling methods are the basis of student designs.

Pełny opis:

The aim of the lectures is to present the fundamental knowledge of Artificial Intelligence (AI) emphasizing the economic aspects of AI. Additionally the aim of the classes is learning how to solve chosen economic problems using methods and tools of Artificial Intelligence.

Artificial Intelligence (AI) is the field of computer science that seeks to understand and implement computer-based technology that can simulate: characteristics of human intelligence or processes observed in the nature. Lectures will present methods and techniques of AI e.g. : knowledge representation, uncertainty representation, machine learning, neural networks, genetic algorithms, data mining, web mining, and text mining. Students will have the opportunity to solve: optimization, classification and prediction issues using AI methods and tools.

Literatura:

Literatura podstawowa:

Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning

Michael Nielsen, Neural Networks and Deep Learning

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with Applications in R

Brad Boehmke, Brandon M. Greenwell, Hands-On Machine Learning with R

Fred Nwanganga, Mike Chapple, Practical Machine Learning in R

Dominic Lordy, Machine Learning with R: Step by Step Guide for Newbies

Literatura uzupełniająca:

E.Rich, K.Knight, Artificial Intelligence, McGrawHill, 1991

E.Turban, J.Aronson, Decision Support Systems and Intelligent Systems, Prentice Hall 1998

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

projekty: 50.00%

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 7.1.0.0