Artificiell intelligens - metoder och tillämpningar, 7,5 hp

Innehåll

Moderna intelligenta system förändrar det dagliga livet i samhället. Dessa typer av system är utformade och implementerade med tanke på artificiella intelligenta (AI) modeller och algoritmer. Kursen syftar till att presentera olika AI-teorier och algoritmer för att ge en solid bakgrund i området, samt praktisk kunskap om hur man implementerar verkliga intelligenta system. Kursens huvudtema är teorier och algoritmer från klassisk AI. Under kursen kommer studenterna att få kunskap om olika AI-paradigmer, t.ex. logikbaserade och datastyrda metoder samt rationella intelligenta agenter.
 
Kursen består av två moduler:
Modul 1, teori, 4,5 hp
Modulen omfattar:

• Sökalgoritmer, t.ex. motstridig sökning och spel.
• Answer Set Programming (ASP), t.ex. stabila modeller och optimeringsmodellering.
• Kunskapsrepresentation, t.ex. beskrivningslogiker.
• Sannolikhetsteori: axiom, villkorlig sannolikhet, Bayes regel.
• Probabilistiskt resonerande, t.ex. Bayesiska nätverk.
• Probabilistiskt resonerande över tid, t.ex. gömda markov-modeller.
• Sekventiellt beslutsfattande, t.ex. markov-beslutsprocesser, stokastisk planering.
• Förstärkningslärande.
• Agentarkitekturer, t.ex. BDI-agenter.
• Beslutsfattande med flera kriterier, t.ex. nyttofunktioner, utvärdering av alternativ, pareto-optimalitet.

Modul 2, praktik, 3 hp.
I modul 2 tillämpas några av de teorier och tekniker som diskuteras i den teoretiska modulen.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• (FSR 1) redogöra för och tillämpa begrepp, metoder och teorier för sökning, heuristik, spel, kunskapsrepresentation, planering;
• (FSR 2) redogöra för och tillämpa begrepp, metoder och teorier för logik och sannolikhetslära samt kunna analysera kraften och begränsningen av deras användning för kunskapsrepresentation och resonerande system;
• (FSR 3) redogöra för metoder och teorier för probabilistiskt resonerande (tex bayesiska nätverk), probabilistiskt
  resonerande över tid (tex Hidden Markov Models), probabilistiskt planerande (tex Markov Decision Processes), och inlärningsmetoder (tex beslutsträd, reinforcement learning och bayesiskt lärande).

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

• (FSR 4) utforma, bygga och utvärdera intelligenta agenter;
• (FSR 5) applicera begrepp för adversarial sökning och konstruera bra heuristik;
• (FSR 6) demonstrera teoretiska och praktiska färdigheter i att utveckla intelligenta mjukvaruagenter baserade på data-driven och logikbaserade metoder.

Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna

• (FSR 7) diskutera effekterna på samhället av nya teknologier i AI;
• (FSR 8) utvärdera olika AI-baserade teknologier med hjälp av den kunskap som erhölls under kursen.

Behörighetskrav

Minst 90 hp varav minst 60 hp datavetenskap eller minst 120 hp inom ett program. Minst 7,5 hp datastrukturer och algoritmer; 7,5 hp artificiell intelligens; 7,5 hp diskret matematik; och 7,5 hp logik. Engelska för grundläggande behörighet för högskolestudier.

Undervisningens upplägg

Undervisningen bedrivs i form av föreläsningar och datorlaborationer. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet.

Examination

Examinationen på Modul 1 (FSR 1-3, 7-8) sker genom skrifltig tentamen. Modulen bedöms med något av betygen Med beröm godkänd (5), Icke utan beröm godkänd (4), Godkänd (3) eller Underkänd (U).

Examinationen på Modul 2 (FSR 4-6) består av obligatoriska uppgifter som redovisas skriftligt. Modulen bedöms med något av betygen Underkänd (U) eller Godkänd (G).

På kursen som helhet ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). Kursbetyget är detsamma som betyget på Modul 1.

Anpassad examination
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos Institutionen för datavetenskap. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övriga föreskrifter

I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll. Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap och/eller programansvarig för sitt program.

Speciellt gäller att denna kurs ersätter den tidigare kursen 5DV122 (med samma namn) och kan inte tas med i examen tillsammans med dennaa. Överlappet med denna kurs är 7.5hp.

Om kursplanen har upphört att gälla eller kursen slutat erbjudas garanteras en student som någon gång registrerats på kursen minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt denna kursplan under en tid av maximalt två år från det att kursplanen upphört att gälla eller kursen slutat erbjudas.