Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Kursplan:

Artificiell intelligens - grunderna, 7,5 hp

Engelskt namn: Fundamentals of Artificial Intelligence

Denna kursplan gäller: 2020-08-17 och tillsvidare

Kurskod: 5DV124

Högskolepoäng: 7,5

Utbildningsnivå: Grundnivå

Huvudområden och successiv fördjupning: Datavetenskap: Grundnivå, har minst 60 hp kurs/er på grundnivå som förkunskapskrav

Betygsskala: TH teknisk betygsskala

Ansvarig institution: Institutionen för datavetenskap

Beslutad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2020-09-04

Innehåll

Modul 1, teori, 5.5 hp.
Modulen 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, t,ex, - realism, sprödhet, skalbarhet, realtidskrav, ramproblemet, homunculusproblemet, substratproblemet, symbolgrund, vardagskunskap, vardagsresonerande.
  • Sökning - grunder, t.ex. 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,.
  • Reaktiva agenter, Braitenbergfordon, subsumptionsarkitektur, potentialfältsarkitektur.
  • Robotars fysiska uppbyggnad.
  • Teleoperation och semiautonoma robotar.
  • Förkroppsligad kognition och situerad kognition.
  • Neurala nätverk: bakgrund och grunder.
  • Artificiell evolution, genetiska algoritmer - kort introduktion.
  • Multipla autonoma agenter, svärmintelligens, stigmergi, emergens.
  • Lärande - kort introduktion.
  • AI-teknologiers samhälleliga påverkan
Modul 2, laboration, 2 hp.
I laborationsmodulen åskådliggörs och tillämpas praktiskt en del av de teorier, metoder och principer som behandlas i teoridelen. Modulen utgörs av ett antal obligatoriska laborativa uppgifter, delvis utförda med fysiska robotar eller avancerade simulatorer.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:
  • översiktligt redogöra för området artificiell intelligens, dess bakgrund, historia, fundamentala frågor, utmaningar och huvudsakliga inriktningar (FSR1)
  • tolka och formulera kunskapsrepresentationer i logisk form (FSR2)
  • redogöra för grundläggande begrepp, metoder och teorier för sökning (FSR 3)
  • redogöra för klassisk planering i proaktiva agenter (FSR 4)
  • redogöra för metoder och teorier för reaktiva agenter, och arkitekturer baserade på subsumption samt potentialfält (FSR 5)
  • redogöra för robotars fysiska uppbyggnad (FSR6)
  • redogöra för olika grader av robotautonomitet (FSR7)
  • redogöra för begrepp, metoder och teorier för förkroppsligad kognition och situeradhet (FSR8)
  • redogöra för grundläggande begrepp, metoder och teorier för sensorik (FSR9)
  • redogöra för grundläggande begrepp, metoder och teorier för maskininlärning (FSR10)
  • redogöra för grundläggande begrepp, metoder och teorier för artificiell evolution, genetiska algoritmer, multipla autonoma agenter och svärmintelligens (FSR11)
Färdigheter och förmågor
Efter avslutad kurs ska studenten kunna:
  • visa förmåga att praktiskt tillämpa de introducerade teorierna, metoderna och principerna inom artificiell interlligens för att bygga enklare intelligenta mjukvarusystem (FSR12)
Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna
  • diskutera och analysera hur AI-teknologier påverkar människor i samhället (FSR 13)

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 om minst 7.5hp  (tex 5DV157, 5DV158, 5DV176 eller 5DV177) samt antingen minst 7.5hp inom Datastrukturer och algoritmer (tex 5DV149 eller 5DV150) eller minst 7.5hp inom Applikationsprogrammering i Python (tex 5DA000) eller motsvarande kunskaper.

Engelska B/6 och svenska för grundläggande behörighet för högskolestudier om utbildningen ges på svenska.

Undervisningens upplägg

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

Examination

Examinationen av den teoretiska modulen (FSR 1-11, 13) sker genom en skriftlig examen. På detta moment ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5).

Examination av den praktiska modulen (FSR 12-13) sker genom kontroll av genomförandet av de obligatoriska uppgifterna. Antalet obligatoriska uppgifter kan variera mellan olika kurstillfällen och beror på deras omfattning men är aldrig mer än 5. Uppgifterna redovisas muntligt och skriftligt, minst en av de obligatoriska uppgifterna kan ske som ett seminarium i mindre grupper. På det praktiska momentet ges något av betygen Underkänd (U) eller Godkänd (G).

På hela kursen ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). Minst betyget Godkänd måste uppnås på varje delmoment för att få godkänt slutbetyg på hela kursen. Betyget på teoridelen bestämmer betyget på kursen och sätts först när alla obligatoriska moment 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 provtillfällen. Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg. 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 för Institutionen för datavetenskap.

Examination baserad på denna kursplan garanteras under två år efter studentens förstagångsregistrering på kursen. Detta gäller även om kursen lagts ned och denna kursplan upphört gälla.

Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsnedsättning. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

TILLGODORÄKNANDE
Student har rätt att få prövat om tidigare utbildning eller motsvarande kunskaper och färdigheter förvärvade i yrkesverksamhet kan tillgodoräknas för motsvarande utbildning vid Umeå universitet. Ansökan om tillgodoräknande skickas in till Studentcentrum/Examina. Mer information om tillgodoräknande finns på Umeå universitets studentwebb, www.student.umu.se, och i högskoleförordningen (6 kap). Ett avslag på ansökan om tillgodoräknande kan överklagas (Högskoleförordningen 12 kap) till Överklagandenämnden för högskolan. Detta gäller såväl om hela som delar av ansökan om tillgodoräknande avslås.

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.

Litteratur

Giltig från: 2020 vecka 30

Baslitteratur

Understanding intelligence
Pfeifer Rolf, Scheier Christian
Cambridge, Mass. : MIT Press : c2001 : 697 s. :
ISBN: 0-262-66125-X (hft.)
Obligatorisk
Se bibliotekskatalogen Album

Artificial intelligence : a modern approach
Russell Stuart Jonathan, Norvig Peter.
3rd, Pearson new international edition. : Harlow : Pearson Education Limited : 2014. : 1091 pages :
ISBN: 9781292024202
Obligatorisk
Se bibliotekskatalogen Album