Behörighetskrav

90 hp informationssystem eller motsvarande

Mål

Vad gäller kunskap och förståelse förväntas studenten efter genomgången kurs kunna:

- redogöra för centrala metoder och tekniker inom maskininlärning och hur de relaterar till artificiell intelligens,

- redogöra för de grundläggande principerna för de symboliska och konnektionistiska paradigmen inom artificiell intelligens,

- redogöra för olika aspekter av problemlösning genom sökning, kunskapsrepresentation och resonemang,

- redogöra för den historiska bakgrunden till området artificiell intelligens, ämnets utveckling och koppling till andra ämnesområden,

- förklara etiska aspekter av artificiell intelligens och maskininlärning.

Vad gäller färdigheter och förmåga förväntas studenten efter genomgången kurs kunna:

- utföra formalisering och programmering av ett antal grundläggande problemlösningsmetoder, kunskapspresentationsformer och typer av automatiserat resonemang,

- tillämpa kvantitativa forskningsmetoder.

Vad gäller värderingsförmåga och förhållningssätt förväntas studenten efter genomgången kurs kunna:

- utvärdera grundläggande AI-teknikers tillämpbarhet på kunskap i olika domäner,

- kritiskt evaluera the etiska implikationerna av artificiell intelligens och maskininlärning utifrån individens, organisations samt samhällets synvikel.

Innehåll

Kursen introducerar studenten till området artificiell intelligens, både enligt det symboliska och det konnektionistiska paradigmet. Kursen inleder genom att introducera och förklara begreppen intelligens, kunskap och lärande från ett AI-perspektiv. Därefter presenteras det symboliska (klassiska) AI-paradigmet, inklusive state space search, heuristic search, kunskapsrepresentation, resolution, constraint satisfaction problems, meta-logik programmering, meta-interpretatorer och induktiv logik programmering. Därefter behandlas det konnektionistiska paradigmet, främst artificiella neurala nätverk (ANN), och relaterade ämnen som deep learning och reinforcement learning. Slutligen diskuteras tillämpningen av de två paradigmen i olika domäner, samt hur kan de komplettera varandra.

Kursens syfte är att lära studenten om både traditionell symbolisk AI och de kompletterande neurala nätverksbaserade metoderna i relation till det snabbt framväxande området autonoma självlärande informationssystem och kunskapsutvinning från big data. Kursen bygger på grundläggande tekniker i statistik, formell logik och programmering, vilka ha introducerats i tidigare kurser i programmet, för att göra det möjligt för studenter att behärska metoderna och utveckla nya system i framkanten av maskininlärning. Etiska implikationer och avvägningar relaterande till artificiell intelligens och maskininlärning behandlas också.

Undervisning

Föreläsningar, lektioner, seminarier och laborationer.

Examination

Tentamen, seminarier och inlämningsuppgift. Obligatorisk närvaro krävs på vissa moment.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare.