Kursen ger en introduktion till grunderna inom Artificiell intelligens (AI) inklusive robotik och språkteknologi. Kursen utforskar såväl de historiska rötterna som de senaste tillämpningarna. Du kommer att lära dig implementera och tillämpa klassiska AI-metoder för kunskapsrepresentation, planering, sökning och spelande. Kursen fokuserar på symbolisk artificiell intelligens med tekniker baserade på diskret matematik och logik. Icke-symboliska metoder vanliga i maskininlärning och djup maskininlärning kommer att kort introduceras och diskuteras i relation till symbolisk AI.
Modul 1, teori, 4,5 hp. Modulen introducerar klassisk AI. Den ger en historisk överblick och introducerar både fundamentala problem och moderna tillämpningar. Modulen diskuterar filosofiska problem såsom ram-problemet, Turing-testet och argumentet med det kinesiska rummet. Kursen diskuterar även diverse problemlösningstekniker, inklusive heuristiska sökalgoritmer och AI i spel.
Modulen behandlar olika AI-paradigmer såsom kunskapsrepresentation, logikprogrammering och robotik med fokus på sensorer och ställdon. Den behandlar diverse agent-paradigmer, klassiska planeringsmetoder och maskininlärningsalgoritmer såsom k-NN och djup maskininlärning.
Modulen utforskar språkteknologi (NLP), stora språkmodeller (LLM:er) och förklarande AI. Etiska hänsynstaganden och ett ansvarsfullt användande av AI betonas för att hantera biaser och säkerställa transparens och ansvarsskyldighet.
Modul 2, praktik, 3 hp. I den här modulen sker en praktisk tillämpning av några av de teorier, metoder och koncept som behandlats i teorimodulen.
Förväntade studieresultat
Kunskap och förståelse Efter avslutad kurs ska studenten kunna:
(FSR 1) Diskutera de fundamentala frågeställningarna och utmaningarna inom AI.
(FSR 2) Förklara algoritmer för informerad och antagonistisk sökning samt sökheuristiker och relaterade koncept.
(FSR 3) Jämför och kontrastera metoder och teorier för reaktiva robotar och robotarkitekturer.
(FSR 4) Förklara de underliggande principerna bakom vanliga ställdon och sensorer tillsammans med tekniker för sensor-fusion.
(FSR 5) Förklara fundamentala tillvägagångssätt för maskininlärning och förklarande AI.
(FSR 6) Exemplifiera fundamentala metoder för behandling av naturliga språk.
Färdighet och förmåga Efter avslutad kurs ska studenten kunna:
(FSR 7) Tillämpa formella logiska metoder för kunskapsrepresentation och planering.
(FSR 8) Implementera effektiva AI-algoritmer (t.ex. algoritmer för klustring, artificiella neuronnätverk, ruttföljning, sökning i spel) och empiriskt utvärdera deras prestanda.
(FSR 9) Lösa problem genom att identifiera och tillämpa lämpliga AI-metoder.
Värderingsförmåga och förhållningssätt Efter avslutad kurs ska studenten kunna:
(FSR 10) Diskutera ett ansvarsfullt användande av AI-teknologi i samhället.
(FSR 11) Värdera i vilken utsträckning de senaste framstegen inom AI lyckas överkomma de fundamentala begränsningarna inom AI.
Behörighetskrav
Minst 60 hp inom huvudområdet datavetenskap. Minst 15 hp programmering; 7,5 hp datastrukturer och algoritmer; 7,5 hp diskret matematik; samt 7,5 hp logik. Studenter på masterprogrammet i artificiell intelligens (TAAIM) är behöriga.
Undervisningens upplägg
Undervisning består av föreläsningar och datorbaserade övningsuppgifter. Utöver schemalagda aktiviteter krävs självständigt arbete med materialet.
Examination
Examinationen av Modul 1 (FSR 1-7) sker genom en skriftlig salstentamen. Betygsskalan är Underkänd (U), Godkänd (G) eller Väl Godkänd (VG).
Examinationen på Modul 2 (FSR 8-11) sker dels genom inlämningsuppgifter som redovisas muntligt och skriftligt och dels genom seminarier. Betygsskalan är Underkänd (U) eller Godkänd (G).
På kursen som helhet används betygsskalan Underkänd (U), Godkänd (G) eller Väl Godkänd (VG). När båda modulerna är avklarade sätts betyget på kursen som helhet till samma som betyget på Modul 1.
Anpassad examination Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos Institutionen för datavetenskap. Examinator beslutar om anpassad examination som sedan meddelas studenten.
Övriga föreskrifter
Kursen kan inte ingå i en examen tillsammans med kursen 5DV124 eller 5DV201.
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.
Litteratur
Litteraturlistan är inte tillgänglig via den webbaserade utbildningskatalogen.
Kontakta aktuell institution.
