Wprowadzenie do sztucznej inteligencji w badaniach archeologicznych 2800-PL-MD0-SPEC-AI
Zajęcia będą miały postać wykładów i ćwiczeń praktycznych. Uczestnik zaznajomi się z najważniejszymi pojęciami, zagadnieniami oraz wybranymi modelami sztucznej inteligencji (uczenia maszynowego i głębokiego). Omówiona zostanie historia, rozwój, przykłady i możliwości jej zastosowania w archeologii. Uczestnik kursu zaznajomi się z tworzeniem zestawów danych do uczenia modeli sztucznej inteligencji, trenowaniem przykładowych modeli, a także pozna metody oceny ich dokładności. Ponadto, nacisk także zostanie położony na dobre praktyki oraz etykę.
Rodzaj przedmiotu
Tryb prowadzenia
Koordynatorzy przedmiotu
Efekty kształcenia
K_W10: student uzyskuje uporządkowaną wiedzę ogólną o metodach i technikach dokumentacji źródeł archeologicznych [P6S_WG]. K_W01 Student rozumie w pogłębionym stopniu teorie i metody współczesnej archeologii, w tym posiada pogłębioną wiedzę o historycznym rozwoju i podstawach metodologicznych dyscypliny [P7S_WG]. K_W05 Student rozumie w pogłębionym stopniu wybrane zaawansowane zagadnienia nauk ścisłych wykorzystywane w analizie źródeł archeologicznych i rozumie ich rolę w badaniach interdyscyplinarnych [P7S_WK]. Uczestnik zajęć musi właściwie dobrać metody archeologiczne i pochodzące z dorobku innych dziedzin aby odpowiednio zidentyfikować i przeanalizować znaleziska archeologiczne (K_U01). K_U01 Student nauczy się jak właściwie dobrać i modyfikować metody badań archeologicznych (w tym narzędzia z innych dziedzin), formułować oraz testować hipotezy badawcze, a następnie dokonywać twórczej interpretacji wyników [P7S_UW]
Kryteria oceniania
Obecność na zajęciach jest warunkiem dopuszczenia do zaliczenia. Dozwolone jest dwie nieusprawiedliwionych nieobecności w semestrze. Osoby, które nie wykażą się wystarczającą frekwencją nie będą klasyfikowane. Zaliczenie na ocenę na podstawie zaangażowania w zajęciach oraz projektu polegającego na stworzeniu zestawu danych
Literatura
Berganzo-Besga, Iban, Hector A. Orengo, Felipe Lumbreras, Miguel Carrero-Pazos, João Fonte, and Benito Vilas-Estévez. 2021. ‘Hybrid MSRM-Based Deep Learning and Multitemporal Sentinel 2-Based Machine Learning Algorithm Detects near 10k Archaeological Tumuli in North-Western Iberia’. Remote Sensing 13 (20): 4181. https://doi.org/10.3390/rs13204181.
Bickler, Simon H. 2021. ‘Machine Learning Arrives in Archaeology’. Advances in Archaeological Practice 9 (2): 186–91. https://doi.org/10.1017/aap.2021.6.
Cacciari, I, and GF Pocobelli. 2022. ‘Machine Learning: A Novel Tool for Archaeology’. In Handbook of Cultural Heritage Analysis, 961–1002. Springer.
Campesato, Oswald. 2020. Artificial Intelligence, Machine Learning, and Deep Learning. Dulles, Virginia Boston, Massachusetts New Delhi, India: Mercury Learning & Information.
Gattiglia, Gabriele. 2025. ‘Managing Artificial Intelligence in Archeology. An Overview’. Journal of Cultural Heritage 71 (January):225–33. https://doi.org/10.1016/j.culher.2024.11.020.
Tenzer, Martina, Giada Pistilli, Alex Bransden, and Alex Shenfield. 2024. ‘Debating AI in Archaeology: Applications, Implications, and Ethical Considerations’. Internet Archaeology, no. 67 (March). https://doi.org/10.11141/ia.67.8.
Verschoof-van der Vaart, Wouter Baernd, and Karsten Lambers. 2019. ‘Learning to Look at LiDAR: The Use of R-CNN in the Automated Detection of Archaeological Objects in Lidar Data from the Netherlands’. Journal of Computational Applications in Archaeology 2 (1): 31–40. https://doi.org/10.5334/jcaa.32.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: