Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Cyberbezpieczeństwo |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Profil kształcenia | ogólnoakademicki | |||||||||||||||||||||||||
| Nazwa przedmiotu | Metody i narzędzia AI | Kod przedmiotu | CYB1MAI | ||||||||||||||||||||||||
| Rodzaj zajęć | obowiązkowy | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 3 | ||||||||||||||||||
| 30 | 30 | Punkty ECTS | 4 | ||||||||||||||||||||||||
| Program obowiązuje od | 2026/2027 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | Elementy matematyki wyższej II (CYB1MAT2), | ||||||||||||||||||||||||||
| Cele przedmiotu |
Przedstawienie wybranych metod i narzędzi sztucznej inteligencji oraz zrozumienie ich możliwości i ograniczeń. Rozwój umiejętności identyfikacji potencjału sztucznej inteligencji w rozwiązywaniu problemów cyberbezpieczeństwa oraz doboru odpowiednich metod. Zapoznanie z metodami i narzędziami sztucznej inteligencji stosowanymi w cyberbezpieczeństwie oraz rozwinięcie umiejętności ich praktycznego wykorzystania w analizie zagrożeń i budowie systemów detekcji. Po zaliczeniu przedmiotu student potrafi zastosować metody AI do wykrywania ataków, analizy logów, klasyfikacji zagrożeń oraz budowy prostych systemów detekcji (IDS/IPS). Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: Uczenie maszynowe MLNG - poziom 2 Sztuczna inteligencja i etyka danych AIDE - poziom 2 |
||||||||||||||||||||||||||
| Ramowe treści programowe | Podstawowe i zaawansowane metody oraz narzędzia sztucznej inteligencji ze szczególnym uwzględnieniem ich zastosowań w cyberbezpieczeństwie, w tym aspekty teoretyczne oraz praktyczne wykorzystanie algorytmów w analizie zagrożeń i systemach detekcji. | ||||||||||||||||||||||||||
| Inne informacje o przedmiocie | przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | ||||||||||||||||||||||||||
| przedmiot kształtuje umiejętności praktyczne | |||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udziałem w wykładach | 30 | 30 | |||||||||||||||||||||||||
| udziałem w innych formach zajęć | 30 | 30 | 30 | ||||||||||||||||||||||||
| przygotowaniem do bieżących zajęć | 30 | 30 | |||||||||||||||||||||||||
| przygotowaniem do zaliczenia wykładu | 10 | ||||||||||||||||||||||||||
| Razem godzin: | 100 | 60 | 60 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 4 | 2.4 | 2.4 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| CYB1_W01 | CYB1_U01 | H1_K01 | |||||||||||||||||||||||||
| CYB1_W08 | H1_U02 | ||||||||||||||||||||||||||
| CYB1_U03 | |||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | prof. dr hab. Jarosław Stepaniuk | Data: | 08/04/2026 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2027/2028 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| Wykład | |||||||||||||||||||||||||||
| 1. | Sztuczne sieci neuronowe - architektura, zasada działania, rodzaje sieci | ||||||||||||||||||||||||||
| 2. | Sztuczne sieci neuronowe - zastosowania w praktyce, zalety i ograniczenia | ||||||||||||||||||||||||||
| 3. | Strategie przeszukiwania | ||||||||||||||||||||||||||
| 4. | Przeszukiwanie z ograniczeniami | ||||||||||||||||||||||||||
| 5. | Drzewa decyzyjne w uczeniu maszynowym | ||||||||||||||||||||||||||
| 6. | Zastosowanie drzew decyzyjnych w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 7. | Automatyczne wnioskowanie jako przeszukiwanie | ||||||||||||||||||||||||||
| 8. | Logika i systemy ekspertowe w sztucznej inteligencji | ||||||||||||||||||||||||||
| 9. | Algorytmy genetyczne i obliczenia ewolucyjne - inspiracja biologiczna, mechanizmy działania | ||||||||||||||||||||||||||
| 10. | Algorytmy genetyczne i obliczenia ewolucyjne - zastosowania w optymalizacji i projektowaniu systemów wykorzystywanych w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 11. | Test Turinga, Chatboty, Dyskusja na temat chińskiego pokoju | ||||||||||||||||||||||||||
| 12. | Silna i słaba sztuczna inteligencja, AGI | ||||||||||||||||||||||||||
| 13. | Obliczenia granularne w SI - metody zbiorów przybliżonych | ||||||||||||||||||||||||||
| 14. | Obliczenia granularne w SI - metody zbiorów rozmytych | ||||||||||||||||||||||||||
| 15. | Zaliczenie wykładu | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do analizy danych bezpieczeństwa | ||||||||||||||||||||||||||
| 2. | Przygotowanie danych i wstępna analiza zagrożeń | ||||||||||||||||||||||||||
| 3. | Klasyfikacja zagrożeń – wprowadzenie do uczenia maszynowego w IDS | ||||||||||||||||||||||||||
| 4. | Sieci neuronowe w cyberbezpieczeństwie – podstawy | ||||||||||||||||||||||||||
| 5. | Sieci neuronowe w detekcji ataków i ocena jakości modeli | ||||||||||||||||||||||||||
| 6. | Nadmierne dopasowanie (overfitting) w systemach detekcji zagrożeń | ||||||||||||||||||||||||||
| 7. | Drzewa decyzyjne w klasyfikacji zagrożeń | ||||||||||||||||||||||||||
| 8. | Las losowy (random forest) jako system detekcji intruzów | ||||||||||||||||||||||||||
| 9. | Ocena jakości modeli w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 10. | Algorytmy genetyczne – optymalizacja modeli detekcji | ||||||||||||||||||||||||||
| 11. | Algorytmy genetyczne w cyberbezpieczeństwie – scenariusze ataku i obrony | ||||||||||||||||||||||||||
| 12. | Chatboty i modele językowe w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 13. | Zagrożenia związane z LLM – prompt injection i ataki na modele | ||||||||||||||||||||||||||
| 14. | Obliczenia granularne w cyberbezpieczeństwie | ||||||||||||||||||||||||||
| 15. | Projekt końcowy. Zaliczenie pracowni specjalistycznej | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | zadania projektowe w grupach; dyskusja rozwiązań | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne | ||||||||||||||||||||||||||
| Ps | ocena zadań projektowych realizowanych w grupach | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% punktów z każdego efektu uczenia się z zakresu wiedzy, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Uzyskanie min. 30% z każdego E2-E4, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | podstawowe paradygmaty sztucznej inteligencji (uczenie maszynowe, sieci neuronowe, wnioskowanie, przetwarzanie informacji niepewnej i niepełnej, systemy regułowe, itp.) | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E2 | rozróżniać i charakteryzować różne metody sztucznej inteligencji | ||||||||||||||||||||||||||
| E3 | wskazać odpowiednie metody sztucznej inteligencji do rozwiązania konkretnych problemów cyberbezpieczeństwa | ||||||||||||||||||||||||||
| E4 | pracować w zespole przy analizie możliwości wdrożenia rozwiązań sztucznej inteligencji | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E3 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| E4 | ocena zadań projektowych realizowanych w grupach | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie, Tom 1 i 2, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | M. Flasiński, Wstęp do sztucznej inteligencji, PWN, Warszawa, 2021 | ||||||||||||||||||||||||||
| 3. | L. Rutkowski, Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2021 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | D. L. Poole, A. K. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 3rd edition, Cambridge University Press, 2023 | ||||||||||||||||||||||||||
| 2. | M. Muraszkiewicz (red.), R. Nowak (red.), Sztuczna inteligencja dla inżynierów. Metody ogólne, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2022 | ||||||||||||||||||||||||||
| 3. | M. Muraszkiewicz (red.), R. Nowak (red.), Sztuczna inteligencja dla inżynierów. Istotne obszary i zastosowania, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2023 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | prof. dr hab. Jarosław Stepaniuk | Data: | 08/04/2026 | ||||||||||||||||||||||||