Studenten tränar sin förmåga att specificera, planera, genomföra och redovisa ett självständigt arbete som bidrar till kunskapsutvecklingen. Genom sitt arbete integrerar studenten sin tidigare kunskap och fördjupar sig inom minst ett datavetenskapligt område av Artificiell intelligens. Resultatet av arbetet presenteras på engelska såväl muntligt som skriftligt.
Kursen är uppdelad i två moduler.
Modul 1. Självständigt arbete (28 hp) Studenten utför examensarbetet som ett självständigt arbete, antingen inom ramen för ett forskningsprojekt vid universitetet eller ett utvecklingsprojekt i industrin. Arbetet ska handla om någon form av problemlösning och leda till ny kunskap. Det får därför inte enbart bestå av rutinmässig programmering. Arbetet måste också leda till ämnesmässig fördjupning i förhållande till någon avlagd kurs på avancerad nivå. Fördjupningen ska göras inom minst ett datavetenskapligt område av Artificiell intelligens och vara relevant för det självständiga arbetet.
Modul 2. Presentation (2 hp) Studenten presenterar arbetet skriftligt i form av en vetenskaplig rapport samt muntligt i form av ett offentligt seminarium. Studenten opponerar själv på ett annat arbete.
Förväntade studieresultat
Kunskap och förståelse Efter avslutad kurs ska studenten kunna:
(FSR 1) visa väsentligt fördjupade kunskaper inom minst ett datavetenskapligt område av Artificiell intelligens
Färdighet och förmåga Efter avslutad kurs ska studenten kunna:
(FSR 2) kritiskt, självständigt och kreativt identifiera, formulera och hantera en komplex frågeställning
(FSR 3) delta i forsknings- eller utvecklingsarbete och därigenom bidra till kunskapsutvecklingen inom ett datavetenskapligt område av Artificiell intelligens
(FSR 4) planera och med vetenskapliga metoder genomföra kvalificerade uppgifter inom givna tidsramar
(FSR 5) kritiskt och systematiskt integrera kunskap
(FSR 6) tydligt argumentera för sina slutsatser, såväl muntligt som skriftligt
(FSR 7) självständigt söka efter information och värdera informationens relevans för frågeställningen
Värderingsförmåga och förhållningssätt Efter avslutad kurs ska studenten kunna:
(FSR 9) värdera sin egen kompetens och lämplighet att utföra ett visst examensarbete
Behörighetskrav
För tillträde till kursen krävs en avlagd kandidatexamen samt kurser totalt omfattande 60 hp på avancerad nivå. Dessutom krävs att minst 30 hp av de 60 på avancerad nivå ska vara inom området Datavetenskap och det ska ingå följande 7 kurser (eller motsvarande): 1) Artificiell intelligens - grunderna (5DV124), 2) Artificiell intelligens - metoder och tillämpningar (5DV181), 3) Maskininlärning (5DV194), 4) Design av interaktiva AI-system (5DV211), 5) Grundläggande logik och modellteori (5DV102), eller Statistik för teknologer (5MS069) samt 6-7) Minst tre kurser inom en av de datavetenskapliga profilerna på masterprogrammet i artificiell intelligens, se aktuell utbildningsplan.
Beroende på examensarbetets inriktning kan särskilda förkunskaper krävas.
Engelska för grundläggande behörighet för högskolestudier.
Undervisningens upplägg
Undervisningen består av självständigt arbete med individuell handledning av en handledare som institutionen utser. Studenten ansvarar för att upprätthålla regelbunden kontakt med handledaren och hushålla med dennes resurser. Om arbetet utförs hos en extern part, så utser även den externa parten en handledare.
Examination
Examination av Modul 1. Självständigt arbete Modulen omfattar FSR 2, 3, 4, 7, 9. Modulen använder betygsskalan Underkänd (U), Godkänd (G). Bedömningen görs genom en löpande examination bestående av en skriftlig projektplan som lämnas in i anslutning till planeringen av arbetet och en skriftlig projektdagbok som förs löpande under arbetets gång. Genom en löpande bedömning utifrån dessa underlag avgör examinator om studenten uppnått modulens förväntade studieresultat eller inte.
Examination av Modul 2. Presentation Modulen omfattar FSR 1, 5, 6, 8. Modulen använder betygsskalan Underkänd (U), Godkänd (G), Väl Godkänd (VG). Bedömningen görs genom en kombination av tre prov:
En muntlig och skriftlig opponering på ett annat arbete.
En muntlig presentation av det egna arbetet.
En skriftlig rapport av det egna arbetet och den ämnesmässiga fördjupningen.
Betyg på kursen Kursen använder betygsskalan Underkänd (U), Godkänd (G), Väl Godkänd (VG). När båda modulerna är godkända blir betyget på kursen samma som betyget på Modul 2.
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
En student kan ansöka om (men inte kräva) extra handledningstid efter kursens slut. Ansökan skickas till studierektor vid Institutionen för datavetenskap.
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.
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.
Litteratur
Giltig från:
2024 vecka 1
Litteraturen bestäms av examensarbetets inriktning.
