"False"
Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Kursplan:

Artificiell intelligens - metoder och tillämpningar, 7,5 hp

Kursen är nedlagd

Engelskt namn: Artificial Intelligence - Methods and Applications

Denna kursplan gäller: 2017-06-26 och tillsvidare

Kurskod: 5DV122

Högskolepoäng: 7,5

Utbildningsnivå: Avancerad nivå

Huvudområden och successiv fördjupning: Datavetenskap: Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav

Betygsskala: TH teknisk betygsskala

Ansvarig institution: Institutionen för datavetenskap

Beslutad av: teknisk-naturvetenskapliga fakultetsnämnden, 2011-06-27

Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2017-10-02

Innehåll

Moment 1, teoridel, 4.5 hp. Kursen ger fördjupade teoretiska och metodiska kunskaper och färdigheter i klassisk AI (artificiell intelligens) samt robotik. Följande ämnen behandlas: Heuristik för sökning. Sökning för spel. Tillämpad predikatlogik. Klassisk planering: heuristik. Kunskapsrepresentation. Sannolikhetsteori: axiom, villkorlig sannolikhet, Bayes regel. Bayesiska nätverk. Probabilistiskt resonerande över tid, Hidden Markov Models. Beslutsträd och lärande. Robotik: reinforcement learning, learning from demonstrationrobotinlärning, hybridarkitekturer, rörelseplanering, odometri, metrisk och topologisk ruttplanering, lokalisering och kartgenerering.

Moment 2, laborationsdel, 3 hp. I laborationsdelen tillämpas en del av de teorier och tränas en del av de metoder 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:
- utforma, bygga och utvärdera intelligenta agenter
- redogöra för och tillämpa begrepp, metoder och teorier för sökning, heuristik, spel, kunskapsrepresentation, planering
- 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
- redogöra för metoder och teorier för bayesiska nätverk, probabilistiskt resonerande över tid och Hidden Markov Models, beslutsträd och lärande
- redogöra för och tillämpa metoder och teorier för hybridarkitekturer, odometri, rörelseplanering, topologisk och metrisk ruttplanering, och lokalisering och kartgenerering

Behörighetskrav

För tillträde till kursen krävs 60 hp i huvudområdet datavetenskap eller 2 års avklarade studier inom utbildningsprogram motsvarande 120 hp, i båda fallen inkluderande kurserna Artificiell intelligens – grunderna (5DV121), Datastrukturer och algoritmer (5DV108/5DV127/5DV128) samt Grundläggande logik och modellteori (5DV102) 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 Intelligenta robotar (5DV053) 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.

Litteratur

Litteraturlistan är inte tillgänglig via den webbaserade utbildningskatalogen. Kontakta aktuell institution.