Artificiell intelligens för kognitionsvetare, 7,5 hp

Innehåll

Moment 1, teori, 5.5 hp.
Momentet 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, praktik, 1.5 hp.
I praktikdelen 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.

Moment 3, samverkansintegrering, 0.5 hp.
I detta moment är syftet att medvetandegöra studenten om utbildningens användbarhet och förbereda dem för de krav de kommer att möta i dagens och morgondagens arbetsliv. Studenten kommer koppla samman kursens innehåll med hela utbildningens innehåll och träna på att beskriva och marknadsföra sin kompetensprofil.
 

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 (FSR 1)
• tolka och formulera kunskapsrepresentationer i logisk form (FSR 2)
• 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 (FSR 6)
• redogöra för olika grader av robotautonomitet (FSR 7)
• redogöra för begrepp, metoder och teorier för förkroppsligad kognition och situeradhet (FSR 8)
• redogöra för grundläggande begrepp, metoder och teorier för sensorik (FSR 9)
• redogöra för grundläggande begrepp, metoder och teorier för neurala nätverk och lärande (FSR 10)
• redogöra för grundläggande begrepp, metoder och teorier för artificiell evolution, genetiska algoritmer, multipla autonoma agenter och svärmintelligens (FSR 11)

Färdigheter och förmågor
Efter avslutad kurs ska studenten kunna:

• visa förmåga att praktiskt tillämpa en given delmängd av de teorier, metoder och principer som behandlas under kursen (FSR 12)
• beskriva och marknadsföra sin kompetensprofil på ett sätt att dennes kompetens inom Artificiell Intelligens/datavetenskap/kognitionsvetenskap lyfts fram (FSR13)

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 samt antingen Datastrukturer och algoritmer 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, arbete enskilt och i mindre grupper, och datorlaborationer. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet.

Examination

Examinationen av det teoretiska momentet (FSR 1-11) sker genom en skriftlig examen i skrivsal. På detta moment ges något av betygen Underkänd (U), Godkänd (G)  eller Väl godkänd (VG).

Examination av det praktiska momentet (FSR 12) 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. På det praktiska momentet ges något av betygen Underkänd (U) eller Godkänd (G).

Examination av det samverkansintegrerande momentet (FSR 13) sker genom en skriftlig inlämningsuppgift. På detta momentet ges något av betygen Underkänd (U) eller Godkänd (G).

På hela kursen ges något av betygen Underkänd (U), Godkänd (G)  eller Väl godkänd (VG). 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.

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.

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.

Speciellt gäller att denna kurs kan ej ingå fullt ut i en examen samtidigt som en inledande kurs inom området Artificiell intelligens som exempelvis Artificiell intelligens - grunderna (5DV121). Under 2017 och 2018 gäller detta för studenter som läser denna kurs och som tidigare läst 5DV121 utan att klara den:

• Om man inte klarat något av momenten på 5DV121 rekommenderar vi att man istället registrerar sig på denna kurs och examineras på denna i sin helhet.
• Om man vill kan man efter individuell bedömning också  tillgodoräkna sig avklarade moment från 5DV121 till denna kurs. Se mer under rubriken "Tillgodoräknande" ovan om hur man gör det.
• Om man vill examinera moment på 5DV121 kan det göras tillsammans med examinationen på denna kurs. Kontakta kursansvarig vid kursstart för indidviduell information om hur examinationen ska ske.