Metody i techniki sztucznej inteligencji

Metody i techniki sztucznej inteligencji

Na tym przedmiocie poznasz, czym naprawdę jest sztuczna inteligencja – od podstaw filozoficznych i etycznych, po konkretne algorytmy uczenia maszynowego wykorzystywane w praktyce. Zobaczysz zarówno „klasyczne” podejścia AI, jak i nowoczesne sieci neuronowe stosowane do analizy danych, obrazów i języka naturalnego.

• dowiesz się, jak AI wpływa na medycynę, rynek pracy, edukację i inne obszary życia,

• poznasz różne klasy metod AI, logikę, wnioskowanie, systemy ekspertowe i ich historię,

• zrozumiesz pełny proces Data Science: od zdefiniowania problemu, przez przygotowanie danych, po budowę i ocenę modelu.

Nauczysz się projektować i trenować modele uczenia maszynowego w Pythonie – od prostych modeli liniowych, przez drzewa decyzyjne, lasy losowe, boosting, SVM, aż po sieci neuronowe (w tym CNN i RNN).
Zobaczysz, jak stosować AI do klasyfikacji, regresji, grupowania, przetwarzania języka naturalnego (NLP), analizy obrazów oraz systemów generatywnych i uczenia przez wzmacnianie (RL).
W projekcie zespołowym przejdziesz cały proces: od pomysłu, przez wybór algorytmów, po porównanie metryk i krytyczną ocenę wyników.

Efekty uczenia się

Wiedza – zrozumiesz:

• podstawowe metody uczenia maszynowego oraz ich miejsce w szerszym obszarze AI,

• jak wygląda proces implementacji modeli ML/AI w Pythonie z użyciem bibliotek takich jak scikit-learn, TensorFlow czy Keras.

Umiejętności – nauczysz się:

• zaprogramować w języku Python kompletny ciąg operacji uczenia maszynowego (przygotowanie danych, trening, walidacja, ocena),

• dobrać schemat przygotowania danych, modelowania i walidacji do konkretnego problemu inżyniersko–obliczeniowego,

• pracować z metrykami jakości (np. accuracy, precision, recall, F1, ROC AUC) i krytycznie oceniać dopasowanie modeli.

Kompetencje społeczne – rozwiniesz:

• świadomość odpowiedzialności za dane pacjenta i ich rzetelną interpretację w kontekście systemów AI,

• umiejętność efektywnej współpracy online w zespołach projektujących i wdrażających rozwiązania AI,

• krytyczne podejście do wiarygodności modeli, jakości danych oraz etycznych konsekwencji stosowania sztucznej inteligencji.