Artificiell intelligens för kognitionsvetare, 7,5 hp

Innehåll

Modul 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.
• 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.
• 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 (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 maskininlärning (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 de introducerade teorierna, metoderna och principerna inom artificiell intelligens för att bygga enklare intelligenta mjukvarusystem (FSR 12)

Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna

• diskutera och analysera hur AI-teknologier påverkar människor i samhället (FSR 13)

Behörighetskrav

För behörighet krävs minst 60 hp inom huvudområdet datavetenskap / kognitionsvetenskap. Dessutom krävs minst 15 hp programmering i Python.

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) sker genom en skriftlig salstentamen. På denna modul ges något av betygen Underkänd (U), Godkänd (G)  eller Väl godkänd (VG).

Examination av den laborativa modulen (FSR 12-13) sker genom obligatoriska inlämningsuppgifter. På denna modul 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 modul för att få godkänt betyg på hela kursen. Betyget på teorimodulen bestämmer betyget på kursen som helhet.



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.

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.

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 (5DV124).

Om kursplanen har upphört att gälla eller kursen slutat erbjudas garanteras en student som någon gång registrerats på kursen minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt denna kursplan under en tid av maximalt två år från det att kursplanen upphört att gälla eller kursen slutat erbjudas.