Behörighetskrav

• CD120A Algoritmer och datastrukturer (7,5 hp)
• CM152A Matematisk statistik (7,5 hp)
• 11 hp från kursen CD640E Introduktion till IoT (15 hp)

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i examensfordringarna för Civilingenjörsexamen Datateknik (specialisering IoT).

Innehåll

Syftet med kursen är att studenten ska utveckla kunskaper i tillämpningen av artificiell intelligens (AI), databehandlingsmetoder och datalagringssystem relaterade till IoT-applikationer.

Kursen innehåller:

• Centrala koncept inom AI
• Tillämpning av logik och logikprogrammering för AI
• Maskininlärningsalgoritmer, inklusive både övervakat och oövervakat lärande
• Tekniker för datautvinning
• Autonoma agenter och multiagentsystem
• Distribuerade AI-lösningar för IoT-system
• Hantering av stora datamängder (big data) och datalagring
• Dataintegration och datakvalitet
• Personlig integritet, etiska aspekter av AI, som t.ex. algoritmisk diskriminering, opartisk och fördomsfri behandling av data, samt juridiska aspekter som t.ex. GDPR och rätt att bli bortglömd och dataaggregering.

Lärandemål

Kunskap och förståelse

Efter avslutad kurs skall studenten kunna:

1. beskriva AI-koncept och -metoder baserade på bland annat logik och neurala nätverk för att bearbeta sensordata och fatta beslut i relation till IoT-system, och
2. redogöra för olika val av datalagringsteknik för IoT-tillämpningar.

Färdighet och förmåga

Efter avslutad kurs skall studenten kunna:

3. tillämpa AI-metoder i IoT-system så att de blir adaptiva och lärande,
4. analysera data från IoT-enheter och sensorer med maskininlärning, och
5. designa och implementera datainsamling, datalagring och datahämtningslösningar enligt kraven i en IoT-tillämpning.

Värderingsförmåga och förhållningssätt

Efter avslutad kurs skall studenten kunna:

6. kritiskt diskutera de etiska och juridiska aspekter som rör användningen av AI och databehandling i IoT-system.

Arbetsformer

Föreläsningar, seminarier, laborationer, projektarbete och individuella studier.

Bedömningsformer

För godkänt betyg krävs

• godkänt laborativt arbete och aktivt deltagande i seminarier (5 hp, UG) (Lärandemål 3 och 4)
• godkänd skriftlig tentamen (5 hp, UA) (Lärandemål 1, 2 och 6)
• godkänt projekt med reflektion (5 hp, UA) (Lärandemål 4, 5 och 6)

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

Slutbetyget erhålls genom att betygen från godkänd skriftlig tentamen och godkänt projekt med reflektion viktas med omfattningen i hp.

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.

Referenslitteratur

• Harrison, G. (2016). Next Generation Databases: NoSQLand Big Data. Apress.
• Relevanta vetenskapliga artiklar.

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.