Artificiell intelligens - metoder och tillämpningar, 7,5 hp

Innehåll

Moderna intelligenta system och robotar förändrar det dagliga livet i samhället. Dessa typer av system är utformade och implementerade med tanke på artificiella intelligenta (AI) modeller och algoritmer. Kursen syftar till att presentera olika AI-teorier och algoritmer för att ge en solid bakgrund i området, samt praktisk kunskap om hur man implementerar verkliga intelligenta system. Kursens huvudtema är teorier och algoritmer från klassisk AI och intelligent robotik. Under kursen kommer studenterna att få kunskap om olika AI-paradigmer, t.ex. logikbaserade och datastyrda metoder, rationella intelligenta agenter, samt teoretisk och praktisk kunskap om robottekniska ämnen som navigations- och rörelseplanering.
 
Kursen består av två moment:
Moment 1 teori, 4,5 hp
Momentet omfattar:

• Heuristik för sökning.
• Sökning inom spel.
• Tillämpad första ordningens logik.
• Klassisk planering: heuristik.
• Kunskapsrepresentation.
• Sannolikhetsteori: axiom, villkorlig sannolikhet, Bayes regel.
• Bayesiska nätverk.
• Probabilistisk resonemang över tiden.
• Dolda Markov Modeller.
• Beslutsträd.
• Förstärkningslärande.
• Multi-agent-system.
• Robotik: hybridarkitekturer, rörelseplanering, metrisk och topologisk vägplanering, lokalisering och kartgenerering.

Moment 2, praktisk del, 3 hp.
I moment 2 omsätts några av de teorier och tekniker som diskuteras i den teoretiska delen i praktiken. Denna del består av två obligatoriska laborationer, delvis utförda med fysiska robotar eller avancerade simulatorer.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• redogöra för och tillämpa begrepp, metoder och teorier för sökning, heuristik, spel, kunskapsrepresentation, planering (FSR 1)
• redogöra för och tillämpa begrepp, metoder och teorier för logik och sannolikhetslära samt kunna analysera kraften och begränsningen av deras användning för kunskapsrepresentation och esonerande system (FSR 2)
• redogöra för metoder och teorier för probabilistiskt resonerande (tex bayesiska nätverk), probabilistiskt
  resonerande över tid (tex Hidden Markov Models), probabilistiskt planerande (tex Markov Decision Processes), och inlärningsmetoder (tex beslutsträd, reinforcement learning och bayesiskt lärande) (FSR 3)
• redogöra för och tillämpa metoder och teorier för hybridarkitekturer, rörelseplanering, topologisk och metrisk ruttplanering, och lokalisering och kartgenerering (FSR 4)

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

• utforma, bygga och utvärdera intelligenta agenter (FSR 5)
• applicera begrepp för adversarial sökning och konstruera bra heuristik (FSR 6)
• demonstrera teoretiska och praktiska färdigheter i att utveckla intelligenta mjukvaruagenter baserade på data-driven och logikbaserade metoder. (FSR 7)
• skapa hybridarkitekturer för robotar som kan autonoma navigera och kartlägga miljön (FSR 8)

Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna

• diskutera effekterna på samhället av nya teknologier i AI (FSR 9)
• utvärdera olika AI-baserade teknologier med hjälp av den kunskap som erhölls under kursen (FSR 10)

Behörighetskrav

Univ:För tillträde till kursen krävs 90 hp avklarade studier varav 60 hp i huvudområdet datavetenskap eller 2 års avklarade studier (120hp) inom ett studieprogram, i båda fallen inkluderande kurserna Artificiell intelligens – grunderna (5DV121),minst 7.5hp inom området Datastrukturer och algoritmer (tex 5DV149 eller 5DV150) samt minst 7.5hp inom området logik (tex 5DV102 eller 5DV162) eller motsvarande kunskaper. En avlagd kandidatexamen med datavetenskap som huvudämne anses vara motsvarande kunskaper.

Svenska för grundläggande behörighet för högskolestudier samt Engelska A/5. Krav på svenska gäller endast 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 på Moment 1 (FSR 1-4, 9-10) sker genom skrifltig tentamen. Momentet bedöms med något av betygen Med beröm godkänd (5), Icke utan beröm godkänd (4), Godkänd (3) eller Underkänd (U).

Examinationen på Moment 2 (FSR 5-8) består av två obligatoriska uppgifter som redovisas skriftligt. Momentet bedöms med något av betygen Underkänd (U) eller Godkänd (G).

På kursen som helhet ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). Kursbetyget är detsamma som betyget på Moment 1. För att bli godkänd på hela kursen krävs att båda momenten är godkända. För student som inte får godkänt på kursen ges tillfällen till omprov.

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 vid 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 ersätter den tidigare kursen 5DV122 (med samma namn) och kan inte tas med i examen tillsammans med dennaa. Överlappet med denna kurs är 7.5hp.

Kursens kopplingar till program och examina
Kursen är baskurs på masterprogrammet i Robotik och reglerteknik och masterprogrammet i Datavetenskap.

Kursen kan användas som en del i uppfyllandet av

• kravet på 45 poäng med inriktning mot datalogi (varav minst 37,5 högskolepoäng på avancerad nivå) som krävs för specialiseringen Datalogi inom ramen för en Teknologie masterexamen i datavetenskap.
• kravet på 60 poäng på avancerad nivå med inriktning mot robotik och reglerteknik som krävs för specialiseringen Robotik och reglerteknik inom ramen för en Teknologie masterexamen i datavetenskap.