Prowadzący przedmiot - Wydział Zarządzania - AGH

zarz.agh.edu.pl

Prowadzący przedmiot - Wydział Zarządzania - AGH

ECTS – Arkusz przedmiotu

Kod

PIP_2SE_23ZI_n_kwdp

Nazwa

przedmiotu

Komputerowe wspomaganie doskonalenia

produkcji

(Computer Aided Improvement of Production

Processes)

Prowadzący przedmiot

prof. dr hab. inż. Jan Tadeusz Duda

Klasa

przedmiotu

Wydział

Osoby prowadzące zajęcia

dr inż. Sebastian Kiluk, dr inż. Tomasz Pełech-Pilichowski

S Rodzaj przedmiotu E

ZARZĄDZANIA

Kierunek/Specjalność Zarządzanie i Inżynieria Produkcji Zarządzanie innowacjami (ZI)

Rodzaj

studiów

n

Stopień

studiów

2 Semestr 2

Rodzaje zajęć

Liczba godzin

WWW

Suma Wykłady Ćwiczenia Laboratoria Seminaria DL ECTS

27 9 9 9 - - 4

www.zarz.agh.edu.pl

Uwagi

Cel przedmiotu - zdobyte umiejętności

Znajomość potencjału informacyjnego przemysłowych baz danych. Znajomość metod modelowania i identyfikacji

procesów oraz planowania eksperymentu. Ogólna znajomość metod agregacji i selekcji informacji, umiejętność

ich doboru do analiz uwarunkowań jakości i efektywności produkcji. Znajomość metod formalnych poszukiwania

nowych rozwiązań technicznych.

Streszczenie przedmiotu:

Sposoby kodowania i przechowywania informacji procesowych w systemach wytwarzania. Metody odkrywania

wiedzy w danych z uwzględnieniem specyfiki danych procesowych – modele statystyczne i przyczynowoskutkowe;

przetwarzanie jakościowe - metody algorytmicznego grupowania i klasyfikacji w wielowymiarowych

przestrzeniach cech.

Warunki uczestnictwa

w przedmiocie

Zaliczone kursy podstaw informatyki, matematyki, statystyki (w zakresie programu studiów

I stopnia na kierunku Zarządzanie i inżynieria produkcji). Umiejętność posługiwania się

pakietami obliczeniowymi (MATLAB, EXCEL), umiejętność formalizacji i algorytmizacji

zadań pozyskiwania i przetwarzania informacji.

Forma zaliczenia przedmiotu

Oceny odpowiedzi ustnych na ćwiczeniach, sprawdziany umiejętności korzystania

z pakietów obliczeniowych w zadaniach realizowanych w trakcie zajęć laboratoryjnych oraz

umiejętności interpretacji wyników, egzamin pisemny testowy.

Zasada wystawiania oceny

końcowej

Program wykładów

Średnia ocen zaliczenia ćwiczeń tablicowych i laboratoryjnych oraz z egzaminu,

z uwzględnieniem obecności i aktywności na wykładach.

1. Informacja – dane – wiedza. Eksploracja danych i pozyskiwanie wiedzy. Podstawowe narzędzia formalne

pozyskiwania wiedzy.

2. Przemysłowe bazy danych – źródła danych, wiarygodność, struktura.

3. Etapy przetwarzania danych i wiedzy: model problemu; przetwarzanie danych; prezentacja wyników.

4. Modelowanie fenomenologiczne i statystyczne procesów. Modele parametryczne i nieparametryczne,

lokalne i globalne.


Wydział Zarządzania AGH

5. Identyfikacja procesów w oparciu o eksperymenty bierne i czynne – ocena wiarygodności modelu.

6. Zasady planowania eksperymentu, idea zintegrowanej optymalizacji i identyfikacji procesów.

7. Komputerowe analizy uwarunkowań jakości i efektywności produkcji.

8. Wykorzystanie technik selekcji informacji (drzewa decyzyjne, transformacje przestrzeni cech,

segmentacja szeregów czasowych).

9. Analiza asocjacji cech, asocjacje a związki przyczynowo-skutkowe.

10. Grupowanie i klasyfikacja: miary odległości klas, charakterystyka metod i ocena ich niezawodności .

11. Porównanie metod statystycznych i neuronowych.

12. Optymalizacja reżimów technologicznych: analizy optymalności reżimów stacjonarnych i dynamicznych.

13. Wykorzystanie algorytmów genetycznych do poszukiwania możliwości usprawnień technologicznych: idea

i uwarunkowania efektywności.

Program pozostałych zajęć (ćwiczenia, laboratoria, projekty, seminaria)

Ćwiczenia: Utrwalenie wiedzy nt. metod agregacji i selekcji informacji dla potrzeb usprawniania procesów

wytwarzania, w tym technik modelowania procesów produkcyjnych i kryteriów ich doboru oraz zasad

algorytmicznego grupowania i klasyfikacji. Wdrożenie umiejętności doboru metod przetwarzania stosownie do

specyfiki danych (przetwarzanie danych ilościowych i jakościowych). Zapoznanie ze zasadami i zakresem

wykorzystania sieci neuronowych do doskonalenia procesów wytwarzania.

Laboratorium: Analiza właściwości wielowymiarowych modeli statystycznych, parametrycznych

i nieparametrycznych, jako narzędzia odkrywania zależności w danych przemysłowych. Sformułowanie

i implementacja podstawowych algorytmów grupowania i klasyfikacji w wielowymiarowych przestrzeniach cech,

zastosowanie analizy komponentów głównych do redukcji wymiarowości przestrzeni cech.

Bibliografia

1. J.T.Duda: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. WND

AGH, Kraków 2003.

2. Mulawka J.: Systemy ekspertowe. Warszawa, WNT, 1997.

3. Tadeusiewicz R.: Sieci neuronowe: Warszawa, WNT, 1997.

4. Data mining – metody i przykłady. Kraków, StatSoft 2002.

5. Z.Chen Z.: Data Mining and Uncertain Reasoning. J.Wiley&Sons, N. York 2001.

More magazines by this user
Similar magazines