Behörighetskrav

• Kandidat- eller högskoleingenjörsexamen (minst 180 högskolepoäng) inom datavetenskap eller relaterade områden som datateknik, data- och informationsvetenskap, programvaruteknik, informatik, telekommunikation eller elektroteknik.
• Minst 15 hp i programmering.
• Motsvarande engelska 6.
• Minst godkänt betyg på kursen: Introduktion till IoT (DA640E)

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i programmet Datavetenskap: Internet of Things, masterprogram, och kan ingå i Masterexamen i datavetenskap (120 hp).

Innehåll

• Centrala koncept inom 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

För godkänd kurs ska studenten kunna:

1. Beskriva AI-koncept och metoder för att bearbeta sensordata och fatta beslut i relation till IoT-system

2. Redogöra för olika val av datalagringsteknik för IoT-tillämpningar

Färdighet och förmåga

För godkänd kurs ska 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

5. Designa och implementera datainsamling, datalagring och datahämtningslösningar enligt kraven i en IoT-tillämpning

Värderingsförmåga och förhållningssätt

För godkänd kurs ska studenten kunna:

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

Arbetsformer

Föreläsningar, laborationer, seminarier, ett projektarbete och individuella studier.

Bedömningsformer

För godkänd kurs (A-E) krävs att alla delar har slutförts och åtminstone fått betyget E eller G.

• Godkänt laborativt arbete och aktivt deltagande i seminarier (5 hp) - lärandemål 3 & 4
• Godkänd skriftlig tentamen (5 hp) - lärandemål 1, 2 & 6
• Godkänt projekt med reflektion (5 hp) - lärandemål 4, 5 & 6

Slutbetyget baseras på användning av kriterier i en bedömningsmatris vilken tillhandahålls av kursansvarig lärare. Laborativt arbete bedöms med UG medan skriftlig tentamen och projekt med reflektion bedöms med A-U.

Kurslitteratur

• Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Waltham: Morgan Kaufmann.
• Russell, Stuart Jonathan & Norvig, Peter (2010). Artificial intelligence: a modern approach. (3rd ed.) Boston: Pearson Education.

Referenslitteratur:

• Harrison, G. (2016). Next Generation Databases: NoSQLand Big Data, Apress, 1st ed. Edition
• Relevanta vetenskapliga artiklar om ämnet framtida etik.

Kursvärdering

Högskolan 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 högskolan. Högskolan 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 inte längre ges eller har genomgått större ändringar ska studenterna, under ett år efter det att förändringen 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.