Kursplan - Artificiell intelligens 1

Syfte

Kursen syftar till att lägga en grund för ämnet artificiell intelligens genom både teori och praktik. Kursen syftar även till att förbereda för fördjupade studier inom ämnet artificiell intelligens (AI) samt möjliga tillämpningar där ämnet är av central betydelse.

Lärandemål

​Efter avslutad kurs ska studenten kunna: 

1. förklara och tillämpa agentmodeller enligt framförallt trestegsmodellen, det vill säga (i) uppfatta, (ii) resonera kring, och (iii) manipulera med hjälp av aktuatorer i sin omgivning,  
2. definiera ett problem som ska lösas och veta hur man väljer olika representationer av problemet i fråga med avseende på ökad prestanda,
3. känna till de mest grundläggande metoderna för representation för oinformerade sökstrategier och hur dessa olika val påverkar algoritmens prestanda i beräkningstid och minnesbehov,
4. känna till de mest grundläggande metoderna för representation för oinformerade sökstrategier,
5. förstå vad heuristik betyder och analysera dess konsekvenser för beräkningstid och minnesbehov,
6. förstå innebörden av optimering som ett koncept och tillämpa välkända sökstrategier inom detta område,
7. få en intuition i koncepten funktionsval och klassificering,
8. lära sig om motståndaranpassad (eng. adversarial) inlärning och deras relation till spel,
9. förstå vad villkorsprogrammering betyder, och hur man definierar sökrymden för dessa problem samt
10. analysera och definiera ett givet problem, samt bestämma om det kan lösas med en av de tekniker som ingår i denna kurs.

Innehåll

- Introduktion till artificiell intelligens .
- Genomgång av problemtyper som kan lösas med AI-tekniker.
- Oinformerade sökstrategier (t.ex. bredden först-sökning, djupet först-sökning, A*, girig bäst-första sökning) och hur dessa olika val påverkar algoritmens prestanda i beräkningstid och minnesbehov. 
- Gradient-baserad optimering så som hillclimbing, och simulated annealing. 
- Motståndaranpassad inlärning (t.ex. min-max, alfa-beta-beskärning) och spel. 
- Villkorsprogrammering.

Särskild behörighet

Programmeringsteknik med Python 7,5 hp samt Datastrukturer, algoritmer och programkonstruktion med Python 7,5 hp eller motsvarande.

Examination

Laboration 1 (LAB1), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 1,5 hp, examinerar lärandemål 2, 3 och 10, betyg Underkänd (U), 3, 4 eller 5. 

Laboration 2 (LAB2), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 1,5 hp, examinerar lärandemål 2, 4, 5 och 10, betyg Underkänd (U), 3, 4 eller 5. 

Laboration 3 (LAB3), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 1,5 hp, examinerar lärandemål 2, 6, 7 och 10, betyg Underkänd (U), 3, 4 eller 5. 

Laboration 4 (LAB4), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 2, 8 och 10, betyg Underkänd (U), 3, 4 eller 5. 

Laboration 5 (LAB5), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 1,5 hp, examinerar lärandemål 2, 9 och 10, betyg Underkänd (U), 3, 4 eller 5.

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Ges något av betygen 5, 4, 3

Övergångsbestämmelser och övriga föreskrifter

Kursen överlappar helt med CDT312/DVA340 Artificiell intelligens.
 
Kursen bidrar till att uppfylla examenskravet om minst 75 hp inom huvudområdet datavetenskap med inriktning intelligenta system för teknologie kandidatexamen i datavetenskap med inriktning intelligenta system.