Narzędzia sztucznej inteligencji

seminaria magisterskie

Data mining 1000-2M03DM
Eksploracja i przetwarzanie dużych zbiorów danych 1000-2M13DZD
Systemy uczące się 1000-2N09SUS
Sztuczna inteligencja i systemy doradcze 1000-2N00SID
Wnioskowanie i obliczenia aproksymacyjne 1000-1M00WA

w sali

Seminarium poświęcone jest szekoro rozumianej tematyce tworzenia systemów inteligentnych działających w oparciu o metody sztucznej inteligencji ze szczególnym naciskiem na aktualne metody uczenia maszynowego. Istotna część dyskusji metod skupiona będzie na praktycznych biznesowych zastosowaniach metod. W opisie znajdują się przykładowe techniki.

Podczas seminarium studenci prezentują zagadnienia związane z własną pracą magisterską lub na inne interesujące tematy, zatwierdzone przez prowadzących. Prowadzący udostępniają także listę proponowanych tematów. Na seminarium można dyskutować o wszelkich problemach napotkanych przy pisaniu pracy magisterskiej a także na temat kształtu/kierunków ich rozwoju.

Seminarium jest wspólne dla dwóch kierunków studiów, zarówno dla informatyków jak i matematyków.

Na seminarium studenci wygłaszają prezentacje na wybrane tematy dotyczące metod/narzędzi SI lub bezpośrednio swojej pracy magisterskiej. Prowadzący wspomagają listą proponowanych tematów jak również służą pomocą konsultacyjną. Na jednych zajęciach odbywa się jedna lub max dwie prezentacje.

Przykładowe obszary techniczne:

- architektury sieci neuronowych, te najnowsze np. Transformer, KAN jak i starsze np. LSTM, ResNet. Zarówno modele ogólne jak również szczegółowe.

- transfer learning

- techniki XAI np. LIME, Shap, Saliency Maps

- matematyczne podstawy AI

- techniki klasteryzacji, redukcji wymiarowości i selekcji cech

- modele drzewiaste

- bagging oraz boosting

- modele SVM

- metaheurystyki np. PSO, symulacyjne wyżarzanie

- podejścia ewolucyjne np. strategie ewolucyjne, algorytmy genetyczne

- metody reprezentacji wiedzy

- metody działania w warunkach niepewności, niepełnej informacji

- logika rozmyta i rozumowanie rozmyte

- zagadnienia związane z ML Operations (MLOps), utrzymywaniem, monitorowaniem, testowaniem, operacjonalizacją, wdrażaniem na produkcji modeli ML

Przykładowe obszary zastosowań:

- computer vision

- przetwarzanie języka naturalnego (NLP)

- przetwarzanie audio

- medycyna

- biotechnologia, biologa, chemia

- robotyka

- finanse

- gry

- problemy transportowe, logistyka

- autonomiczne pojazdy

- optymalizacja kombinatoryczna

Współczesna literatura z tej dziedziny, w tym czasopisma naukowe (np. Science, Applied Soft Computing, Information Sciences, IEEE Transactions on Neural Networks) i artykuły z konferencji (np. AAAI, IJCAI, CVPR, NeurIPS).

Ze względu na to, że tematyka co roku na seminarium może być nowa oraz na fakt, że dyskutujemy na tematy wybrane przez studentów, zakres literatury jest ogromnie szeroki i dedykowany do konkretnych wybranych tematów. Szczegóły przedstawią prowadzący na pierwszych zajęciach.

Studenci przygotowują i wygłaszają referaty seminaryjne (K_U11) w oparciu o najnowszą literaturę dotyczącą przetwarzania języka naturalnego (K_U14, K_K08), w tym z konferencji i czasopism ACM i IEEE (K_K07). Wiele referatów omawia badania interdyscyplinarne, prowadzone w zespołach o mieszanym składzie, z istotną rolą nie-informatyków (K_K02).

Od studenta referującego oczekujemy nie tylko zrelacjonowania artykułu, ale także wyrażenia własnej opinii o nim (K_K06), a od słuchaczy udziału w dyskusji, gdy referują inne osoby (K_K02).

Referaty drugiego rodzaju są związane z tworzeniem pracy magisterskiej (K_U13), w tym te pierwsze, niedługo po ustaleniu tematu, gdy trzeba zaprezentować samodzielnie przygotowany plan pracy i zdobycia wiedzy niezbędnej do zrealizowania tematu (K_K01, K_U15,K_K03).

1. Warunki formalne: zatwierdzenie tematu pracy magisterskiej (1. rok).

2. Wygłoszenie przydzielonych referatów, minimum jednego w każdym semestrze

3. Frekwencja minimum 50% z zajęć.