Module also offered within study programmes:
General information:
Name:
Inżynieria wiedzy
Course of study:
2017/2018
Code:
MME-2-105-MO-s
Faculty of:
Metals Engineering and Industrial Computer Science
Study level:
Second-cycle studies
Specialty:
Physical Metallurgy and Heat Treatment
Field of study:
Metallurgy
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
Mrzygłód Barbara (mrzyglod@agh.edu.pl)
Academic teachers:
Mrzygłód Barbara (mrzyglod@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Potrafi myśleć i działać w sposób kreatywny i przedsiębiorczy wykorzystując narzędzia informatyczne do wspomagania zadań w dziedzinie metalurgii ME2A_K01 Execution of a project
Skills
M_U001 potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, w tym także konsultacje z ekspertami, w celu dokonania jej formalizacji dla systemu ekspertowego, potrafi integrować uzyskane informacje, wyciągać wnioski oraz formułować i wyczerpująco uzasadniać opinie ME2A_U01 Execution of a project
M_U002 potrafi samodzielnie opracować i zaimplementować system ekspertowy rozwiązujący proste zagadnienie technologiczne z samodzielnie wybranego zakresu ME2A_U17 Execution of a project
M_U003 potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, w tym także konsultacje z ekspertami, w celu dokonania jej formalizacji dla systemu ekspertowego, potrafi integrować uzyskane informacje, wyciągać wnioski oraz formułować i wyczerpująco uzasadniać opinie ME2A_U01 Execution of a project
Knowledge
M_W001 Ma wiedzę o trendach rozwojowych i najistotniejszych osiągnięciach z zaskresu sztucznej inteligencji i inzynierii wiedzy ME2A_W11 Execution of a project,
Activity during classes
M_W002 Ma wiedze z zakresu sztucznej inteligencji w tym zagadnień związanych z budową systemów ekspertowych z bazą wiedzy ME2A_W11 Execution of a project
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Potrafi myśleć i działać w sposób kreatywny i przedsiębiorczy wykorzystując narzędzia informatyczne do wspomagania zadań w dziedzinie metalurgii - - + - - - - - - - -
Skills
M_U001 potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, w tym także konsultacje z ekspertami, w celu dokonania jej formalizacji dla systemu ekspertowego, potrafi integrować uzyskane informacje, wyciągać wnioski oraz formułować i wyczerpująco uzasadniać opinie - - + - - - - - - - -
M_U002 potrafi samodzielnie opracować i zaimplementować system ekspertowy rozwiązujący proste zagadnienie technologiczne z samodzielnie wybranego zakresu - - + - - - - - - - -
M_U003 potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, w tym także konsultacje z ekspertami, w celu dokonania jej formalizacji dla systemu ekspertowego, potrafi integrować uzyskane informacje, wyciągać wnioski oraz formułować i wyczerpująco uzasadniać opinie - - + - - - - - - - -
Knowledge
M_W001 Ma wiedzę o trendach rozwojowych i najistotniejszych osiągnięciach z zaskresu sztucznej inteligencji i inzynierii wiedzy + - - - - - - - - - -
M_W002 Ma wiedze z zakresu sztucznej inteligencji w tym zagadnień związanych z budową systemów ekspertowych z bazą wiedzy + - - - - - - - - - -
Module content
Lectures:
  1. Podstawowe pojęcia w inżynierii wiedzy. Komputerowe systemy z bazą wiedzy (4 godz.)

    Dane, informacja , wiedza; pozyskiwanie, gromadzenie, przetwarzanie, przechowywanie wiedzy

    Charakterystyka systemów z bazą wiedzy, podział (czasu rzeczywistego, wspomagania decyzji, ekspertowe). Rola i zadania systemów ekspertowych. Przykłady istniejących systemów z bazą wiedzy. Struktura (moduły charakterystyczne) i zasada działania systemów z bazą wiedzy

  2. Systemy regułowe – fakty i reguły. Systemy regułowe – wnioskowanie. (4 godz. )

    Wprowadzenie do reprezentacji wiedzy w systemach ekspertowych. Co to są fakty dla systemu ekspertowego. Sposoby reprezentacji, definiowania, rodzaje faktów.
    Reguły: typy reguł, sposób reprezentacji.
    Wprowadzenie do klasycznego rachunku zdań i rachunku predykatów.
    Charakterystyka metod wnioskowania: wprzód, wstecz, mieszane. Przykłady

  3. Reprezentacja wiedzy niepewnej i niepełnej – wprowadzenie do logiki rozmytej (2 godz.)

    Podstawowe pojęcia w logice rozmytej
    - zmienna lingwistyczna,
    - zbiór rozmyty,
    - współczynnik przynależności,
    - funkcja przynależności,
    - podstawowe operacje na zbiorach rozmytych,
    - operatory S-normy i T-normy.

  4. Logika rozmyta – wnioskowanie w logice rozmytej (4 godz.)

    Omówienie modelu wnioskowania typu Mamdani.
    Omówienie podstawowych modułów wnioskowania w logice rozmytej:
    - rozmywanie,
    - inferencja’
    - defuzyfikacja.
    Przykłady.

  5. Logika rozmyta – podstawowe zasady wyostrzania zbioru wynikowego (2 godz.)

    Omówienie i analiza metod wyostrzania:
    1) metoda pierwszego maksimum
    2) metoda ostatniego maksimum
    3) metoda środka maksimum
    4) metoda środka ciężkości
    5) metoda wysokości

  6. Systemy neuronowo rozmyte. . Algorytm ANFIS (4 godz.)

    Omówienie modelu wnioskowania SUGENO.
    Omówienie algorytmu ANFIS (Adaptive Neuro-Fuzzy Inference System) – system neuronowo – rozmyty stanowiący połączenie sieci neuronowych i systemów rozmytych. Umożliwia wykorzystanie zarówno regułowej reprezentacji wiedzy systemów rozmytych jak i metod uczenia stosowanych w przypadku sieci neuronowych.
    Wprowadzenie do sieci neuronowych

  7. Sieci neuronowe (4 godz.)

    1. Podstawowe wiadomości ze sztucznej inteligencji
    2. Neurony biologiczne, sztuczne modele neuronów, metody uczenia
    3. Modele sztucznych sieci neuronowych
    4. Sieci neuronowe jedno i wielowarstwowe
    5. Reguły uczenia sieci neuronowych
    6. Nadzorowane uczenie sieci neuronowych

  8. Języki CLIPS/JESS jako narzędzie do tworzenia systemów ekspertowych (2 godz.)

    Języki CLIPS/JESS jako narzędzie do tworzenia systemów ekspertowych. Podstawowe komendy, sposób kodowania faktów i reguł, przykładowe realizacje prostych systemów ekspertowych (6. godz.)

  9. Drzewa decyzyjne/regresyjne jako narzędzie do tworzenia reguł dla SE (4 godz.)

    Wprowadzenie do metod data-mining.
    Krótkie omówienie technik eksploracji danych (odkrywanie asocjacji, odkrywanie wzorców sekwencyjnych, klasyfikacja, regresja odkrywanie charakterystyk, analiza skupień (klastrowanie, grupowanie), dyskryminacja, wykrywanie zmian i odchyleń).
    Omówienie podziału cech atrybutów (ciągłe, dyskretne).
    Drzewa klasyfikacyjne. Drzewa regresyjne.
    Omówienie kryteriów podziału drzewa i algorytmów tworzenia drzewa:

    Zysk informacyjny (algorytmy ID3, C4.5)
    Indeks GINI (algorytmy CART, SPRINT)
    Indeks korelacji chi2

Laboratory classes:
  1. Zapoznanie studentów ze środowiskiem Matlab (moduł fuzzy).

    Zapoznanie studentów ze środowiskiem Matlab (moduł FUZZY), w którym realizują projekt z logiki rozmytej. Zajęcia przebiegają zgodnie z przygotowanymi instrukcjami:
    1. Wprowadzenie do logiki rozmytej – poznanie środowiska poprzez opracowanie projektu wnioskowania dla zadanego problemu;
    2. Projekt sterownika rozmytego typu Mamdani – (klimatyzator, zraszacz);
    3. Projekt sterownika rozmytego typu Sugeno – (zraszacz, własne propozycje);
    4. Wnioskowanie w systemach rozmytych – zajęcia “tablicowe”. Wykonanie samodzielnie obliczeń dla przedstawionych problemów. Weryfikacja obliczeń w projekcie Matlab;
    5. Systemy neuronowo-rozmyte. Omówienie i zapoznanie z algorytmem ANFIS. Praca w systemie Matlab;
    6. Opracowanie sztucznych sieci neuronowych i ich analiza, z wykorzystaniem pakietów Matlab i Statistica.

    Weryfikacja wiadomości:
    - wykonanie instrukcji przygotowanej do każdych zajęć;
    - kolokwium;
    - wykonanie projektu z LR.

  2. Zapoznanie studentów ze środowiskiem do tworzenia systemów ekspertowych JESS

    1. Wprowadzenie do języka programistycznego JESS
    2. Kontrola przepływu wykonywania -pętle (foreach, if, while …). Tworzenie własnych funkcji przy pomocy polecenia deffunction( ).
    3. JESS – FAKTY.
    4. JESS – REGUŁY
    5. JESS – PRZYKŁADOWY SYSTEM EKSPERTOWY

    Weryfikacja wiadomości:
    - wykonanie instrukcji przygotowanej do każdych zajęć;
    - kolokwium;
    - wykonanie projektu SE.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 116 h
Module ECTS credits 4 ECTS
Preparation for classes 30 h
Participation in laboratory classes 28 h
Preparation of a report, presentation, written work, etc. 20 h
Participation in lectures 28 h
Realization of independently performed tasks 8 h
Examination or Final test 2 h
Additional information
Method of calculating the final grade:

SYSTEM PUNKTOWY
Wykonanie instrukcji do zajęć
Punkty z kolokwium
Wykonanie projektu (do wyboru Jess lub LR)

SUMA punktów do zdobycia = 100%
OL – ocena z ćwiczeń laboratoryjnych

OL – wystawiana zgodnie z regulaminem AGH, tj.
<100-91>% ocena 5,0
(91-81>% ocena 4,5
(81-71>% ocena 4,0
(71- 61>% ocena 3,5
(61- 51>% ocena 3,5
poniżej 51% ocena 2,0

Ocena końcowa (Ok) to:

Ok = OL + 0,5 (za uczestnictwo w wykładach, min. 80%)

Prerequisites and additional requirements:

Zgodnie z Regulaminem Studiów AGH podstawowym terminem uzyskania zaliczenia jest ostatni dzień zajęć w danym semestrze. Termin zaliczenia poprawkowego (tryb i warunki ustala prowadzący moduł na zajęciach początkowych) nie może być późniejszy niż ostatni termin egzaminu w sesji poprawkowej (dla przedmiotów kończących się egzaminem) lub ostatni dzień trwania semestru (dla przedmiotów niekończących się egzaminem).

Recommended literature and teaching resources:

1. Mulawka J. Systemy ekspertowe, 1997,
2. Niederliński A. Regułowe systemy ekspertowe, 2000.
3. Bubnicki z. Wstęp do systemów ekspertowych, PWN, 1990.
4. Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. PWN, Warszawa 1997.
5. Białko M. Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych. Koszalin 2005.
6. Bolc L. Cytowski J., Stacewicz P., O logice i wnioskowaniu rozmytym. IPI PAN, Warszawa 1996.
7. Zadech L. A. , An introduction to fuzzy aplications in intelligent systems. Kluwer Academic Publ. Boston 1992.
8. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
9. Korbicz J., Obuchowicz A., Uciński D; Sztuczne sieci neuronowe, Oficyna Wydawnicza PLJ, Warszawa 1994
10. Tadeusiewicz R.: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
11. Osowski Stanisław: Sieci neuronowe do przetwarzania informacji, Oficyna wyd. Politechniki Warszawskiej, Warszawa 2006
12. Rutkowski L.: Metody i techniki sztucznej inteligencji, WN PWN, Warszawa 2006
7. pod red. Nałęcza M.; Sieci Neuronowe Tom 6, Biocybernetyka i Inżynieria Biomedyczna 2000, Akademicka Oficyna Wydawnicza Exit, Warszawa 2000
13. Rutkowska D., Piliński M., Rutkowski L.; Sieci neuronowe , algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź 1997
14. Tematyczne strony internetowe:
http://clipsrules.sourceforge.net/
http://www.rmse.pl/
http://jessrules.com/
http://mathworks.com/help/toolbox/fuzzy

Scientific publications of module course instructors related to the topic of the module:

http://www.bpp.agh.edu.pl/

The integration of knowledge about the manufacturing process of ADI with the use of artificial intelligence methods / B. MRZYGŁÓD, I. OLEJARCZYK-WOŻEŃSKA, K. REGULSKI // Archives of Foundry Engineering/ Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2015 vol. 15 spec. iss. 2, s. 59–64. — Bibliogr. s. 64,
The expert system for forging processes / Z. Gronostajski, M. Hawryluk, A. Niechajowicz, M. Marciniak, M. Zwierzchowski, S. Polak, A. ADRIAN, B. MRZYGŁÓD, J. DURAK // W: AutoMetForm 2012 : Advanced Metal Forming processes in automotive industry : the 3\textsuperscript{st} international Lower Silesia–Saxony conference : 13–16 May 2012, Wroclaw, Poland : the conference materials / ed. Zbigniew Gronostajski. — [Wrocław : s. n.], 2012. —S. 359–370. — Bibliogr. s. 369–370

System ekspertowy do prognozowania trwałości narzędzi w procesach kucia matrycowego — The expert system for die life prediction in closed-die forging processes / Zbigniew Gronostajski, Marek Hawryluk, Adam Niechajowicz, Marcin Marciniak, Barbara MRZYGŁÓD // Hutnik Wiadomości Hutnicze : czasopismo naukowo-techniczne poświęcone zagadnieniom hutnictwa ; ISSN 1230-3534. — 2012 R. 79 nr 8, s. 579–582. — Bibliogr. s. 582. — Afiliacja B. Mrzygłód: Akademia Górniczo-Hutnicza, Pracownia Informatyki, Kraków.

Prediction of technological process parameters based on experimental data — Przewidywanie parametrów procesu technologicznego w oparciu o dane eksperymentalne / Andrzej OPALIŃSKI, Mirosław GŁOWACKI, Izabela OLEJARCZYK-WOŻEŃSKA, Barbara MRZYGŁÓD // Czasopismo Techniczne = Technical Transactions /Politechnika Krakowska; ISSN 0011-4561; R. 112 z. 7. Mechanika = Mechanics ; ISSN 1897-6328. — 2015 2-M, s. 203–210. — Bibliogr. s. 209–210
Module to generate rules for the knowledge base in a CAPCAST expert system / B. MRZYGŁÓD, K. Ścira // Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2012 vol. 12 iss. 2, s. 167–170. — Bibliogr. s. 170, Abstr.

Model strukturyzacji wiedzy dla systemu wspomagania decyzji — Knowledge structuring models for decision support system / Anna ADRIAN, Barbara MRZYGŁÓD, Jarosław DURAK // Hutnik Wiadomości Hutnicze : czasopismo naukowo-techniczne poświęcone zagadnieniom hutnictwa ; ISSN 1230-3534. — 2012 R. 79 nr 1, s. 67–70. — Bibliogr. s. 70

Model of knowledge representation about materials in the form of a relational database for CAPCAST system /B. MRZYGŁÓD, K. REGULSKI // Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2011 vol. 11 iss. 3, s. 81–86. — Bibliogr. s. 85–86, Abstr.

Modelowanie wiedzy z zakresu wytwarzania elementów maszyn z zastosowaniem logiki deskrypcyjnej — Application of description logic in the modelling of knowledge about the production of machine parts / Barbara MRZYGŁÓD, Krzysztof REGULSKI // Hutnik Wiadomości Hutnicze : czasopismo naukowo-techniczne poświęcone zagadnieniom hutnictwa ; ISSN 1230-3534. — 2012 R. 79 nr 3, s. 148–151. — Bibliogr. s. 151

Modelowanie wiedzy z zakresu wytwarzania elementów maszyn z zastosowaniem logiki deskrypcyjnej — Application of description logic in the modeling of knowledge about the production of machine parts / Barbara MRZYGŁÓD, Krzysztof REGULSKI // W: KomPlasTech 2012 [Dokument elektroniczny] : informatyka w technologii metali : Szczyrk, 15–18 stycznia 2012. — Wersja do Windows. — Dane tekstowe. — [Katowice : s. n.], 2012. — Dane na dysku Flash. —S. [1–8]. — Wymagania systemowe: Adobe Acrobat Reader. — Bibliogr. s. 8. — Tytuł przejęto ze s. tyt.. — Afiliacja: Akademia Górniczo-Hutnicza

Methods of development fuzzy logic driven decision-support models in copper alloys processing / S. Kluska-Nawarecka, Z. Górny, B. MRZYGŁÓD, D. Wilk-Kołodziejczyk, K. REGULSKI // Archives of Foundry Engineering / Polish Academy of Sciences. Commission of Foundry Engineering ; ISSN 1897-3310. — Tytuł poprz.: Archiwum Odlewnictwa. — 2010 vol. 10 spec. iss. 1, s. 23–28. — Bibliogr. s. 28, Abstr.. — Zastosowano procedurę peer review. — D. Wilk-Kołodziejczyk – afiliacja: The Andrzej Frycz Modrzewski Krakow University College ; S. Kluska-Nawarecka – afiliacja: Polish Foundry Research Institute

Additional information:

None