Behörighetskrav

• CD102A Objektorienterad programmering (7,5 hp)
• CD120A Algoritmer och datastrukturer (7,5 hp)
• CM152A Matematisk statistik (7.5 hp)

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i examensfordringarna för Civilingenjörsexamen Datateknik (specialisering Tillämpad data science).

Innehåll

Kursens syfte är att studenten ska tillägna sig de grundläggande metoderna och teknikerna inom fältet artificiell intelligens och autonoma system, med särskild tonvikt på praktisk användning vid utveckling av programvara för data science-problem.

Kursen innehåller följande moment:

• Rekommendationssystem: användar- och innehållsbaserade rekommendationer, rekommendationsalgoritmer (till exempel närhetsbaserade, kollaborativ filtrering och matrisfaktorisering), kontextmedvetenhet, kallstart av rekommendationer, framkallad respektive implicit rankning, utvärdering och metriker.
• Informationssökning, kunskapsinhämtning, kunskapsrepresentation och resonemang inklusive tillämpning av logik och logikprogrammering, den semantiska webben, konstruktion och användning av kunskapsgraf, extraktion av data från källor via internet, samt likriktning av källor
• Probabilistiska modeller och beslutsteori, beslutsfattande med osäkerhet, optimering, dynamisk programmering, metoder för adverserial och heuristisk sökning
• Praktiska metoder för datautvinning och maskininlärning för såväl övervakad som oövervakad inlärning. Algoritmer för klassificering, prediktion och klustring.

Lärandemål

Kunskap och förståelse

Efter avslutad kurs skall studenten kunna:

1. förklara de grundläggande begrepp och metoder baserade på bland annat logik och neurala nätverk, som kommer till användning när AI appliceras på data science.

Färdighet och förmåga

Efter avslutad kurs skall studenten kunna:

2. använda kunskap om AI och de grundläggande begreppen inom området tillsammans med tillämpliga principer och riktlinjer för att sätta samman lösningar för uppgifter inom AI,

3. implementera AI-baserade lösningsmetoder, individuellt såväl som i grupp, och

4. kommunicera tydligt och effektivt med hjälp av områdets tekniska terminologi.

Värderingsförmåga och förhållningssätt 

Efter avslutad kurs skall studenten kunna:

5. utvärdera olika metoder för att extrahera och behandla information ur stora datamängder, utifrån underliggande teori såväl som praktisk effekt, och

6. utvärdera och jämföra olika AI-metoders lämplighet för ett givet problem.

Arbetsformer

Föreläsningar, datalaboratorier, seminarier och självstudier.

Bedömningsformer

För godkänt betyg krävs:

• godkända inlämningsuppgifter (7,5 hp, UG) (Lärandemål 2-4, 6)
• godkänd skriftlig tentamen (7,5 hp, UA) (Lärandemål 1,2,5)

För samtliga bedömningar ska underlaget vara sådant att individuella prestationer kan särskiljas.

Slutbetyget motsvaras av betyget på den skriftliga tentamen.

Kurslitteratur

• Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th edition). Morgan Kaufmann.
• Russell, S. J. & Norvig, P. (2020). Artificial intelligence: a modern approach. (4th edition), Pearson.
• Segaran, T. (2007). Programming Collective Intelligence, O'Reilly.

Kursvärdering

Malmö universitet ger studenter som deltar i eller har avslutat en kurs en möjlighet att framföra sina erfarenheter av och synpunkter på kursen genom en kursvärdering som anordnas av lärosätet. Universitetet sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

Övergångsbestämmelser

Om en kurs har upphört att ges eller har genomgått större förändringar ska studenterna, under ett år efter det att förändringen har skett, erbjudas två tillfällen för omprov baserade på den kursplan som gällde vid registreringen.

Övrigt

Om en student har beslut om riktat pedagogiskt stöd, har examinator rätt att ge ett anpassat prov eller låta studenten genomföra prov på ett alternativt sätt.