Artificiell intelligens - grunderna, 7,5 hp

Innehåll

Moment 1, teoridel, 5.5 hp.
Kursen ger en grundläggande introduktion till såväl klassisk AI (artificiell intelligens) som icke-klassisk AI. Den tar upp fundamentala förutsättningar, problem och utmaningar för AI även ur filosofiskt perspektiv. Följande ämnen behandlas: AI:s bakgrund och historia i huvuddrag. Fundamentala problem och utmaningar - realism, sprödhet, skalbarhet, realtidskrav, ramproblemet, homunculusproblemet, substratproblemet, symbolgrund, vardagskunskap, vardagsresonerande. Sökning - grunder: problem, lösning, tillståndsrum, bredden-först, djupet-först, heuristik, A*, lokal sökning och optimering. Kunskapsrepresentation: logik som uttrycksform (syntax och semantik för satslogik och predikatlogik). Agentparadigm: hierarkiska paradigmet, reaktiva paradigmet, hybridparadigm. Klassisk planering-exekvering, STRIPS, Shakey. Reaktiva agenter, Braitenbergvehiklar, subsumptionsarkitektur. Potentialfältsarkitektur. Robotars fysiska uppbyggnad. Teleoperation och semiautonoma robotar. Förkroppsligad kognition och situeradhet. Neurala nätverk: bakgrund och grunder. Artificiell evolution, genetiska algoritmer - kort introduktion. Multipla autonoma agenter, svärmintelligens, stigmergi, emergens. Lärande - kort introduktion.

Moment 2, laborationsdel, 2 hp.
I laborationsdelen åskådliggörs och tillämpas praktiskt en del av de teorier, metoder och principer som behandlas i teoridelen. Momentet utgörs av ett antal obligatoriska laborativa uppgifter, delvis utförda med fysiska robotar eller avancerade simulatorer.

Förväntade studieresultat

Efter avslutad kurs ska studenten kunna:
- översiktligt redogöra för området artificiell intelligens, dess bakgrund, historia, fundamentala frågor, utmaningar och huvudsakliga inriktningar
- tolka och formulera kunskapsrepresentationer i logisk form
- redogöra för grundläggande begrepp, metoder och teorier för sökning
- redogöra för klassisk planering i proaktiva agenter
- redogöra för metoder och teorier för reaktiva agenter, och arkitekturer baserade på subsumption samt potentialfält
- redogöra för robotars fysiska uppbyggnad
- redogöra för olika grader av robotautonomitet
- redogöra för begrepp, metoder och teorier för förkroppsligad kognition och situeradhet
- redogöra för grundläggande begrepp, metoder och teorier för sensorik
- redogöra för grundläggande begrepp, metoder och teorier för neurala nätverk och lärande
- redogöra för grundläggande begrepp, metoder och teorier för artificiell evolution, genetiska
algoritmer, multipla autonoma agenter och svärmintelligens
- visa förmåga att praktiskt tillämpa en given delmängd av de teorier, metoder och principer som behandlas under kursen

Behörighetskrav

För tillträde till kursen krävs 60 hp inom huvudområdet datavetenskap/kognitionsvetenskap eller 2 års avklarade studier inom utbildningsprogram motsvarande 120 hp, i båda fallen inkluderande en grundläggande kurs i programmeringsmetodik (tex 5DV104, 5DV105, 5DV106 eller 5DV114) samt antingen Datastrukturer och algoritmer (5DV108, 5DV127 eller 5DV128) eller Applikationsprogrammering i Python (5DA000) eller motsvarande kunskaper. Engelska A och svenska för grundläggande behörighet för högskolestudier (om kursen ges på svenska).

Undervisningens upplägg

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

Examination

Examinationen sker genom skriftlig tentamen på teorimomentet och genom kontroll av genomförandet av de obligatoriska uppgifterna i laborationsmomentet. På den skriftliga tentamen sätts något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). På laborationsmomentet ges endast betygen Godkänd (G) eller Underkänd (U). På hela kursen ges något av betygen Underkänd (U), Godkänd (3) ), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). För att bli godkänd på hela kursen krävs att samtliga prov och obligatoriska uppgifter är godkända. Kursbetyget utgör en sammanfattande bedömning av resultaten för examinationens olika delar och sätts först när alla obligatoriska uppgifter är godkända.
Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg.

För studerande som inte godkänns vid ordinarie provtillfälle anordnas ytterligare provtillfälle. En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till prefekten vid Institutionen för datavetenskap.

TILLGODORÄKNANDE
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 kan ej ingå fullt ut i en examen samtidigt som någon av kurserna Artificiellt intelligent beteende (5DV084) eller Artificiell intelligens (5DV019).

Tillgodoräknande av studier prövas individuellt (se universitetets regelsamling och tillgodoräknandeordning). Ansökan om tillgodoräknande görs på speciell blankett och ställs till den Teknisk-naturvetenskapliga fakultetsnämnden, Umeå universitet.