
AI505: Optimering
Indgangskrav
Faglige forudsætninger
Studerende, der følger kurset, forventes at
have kendskab til lineær algebra og calculus
kunne anvende algoritmer og data strukturer
kunne programmere
Formål
Kurset har til formål at give de studerende et fundament i
optimeringsteori og praktiske færdigheder til at løse den virkelige
verden AI problemer. Ved at dække forskellige optimeringsteknikker og
deres applikationer inden for maskinlæring, beslutningstagning,
ressource tildeling og andre AI-domæner, søger kurset at forbedre
problemløsningsevner, fremme kritisk tænkning og forberede studerendene
til avancerede studier og karriere i AI-relateret roller. Kurset bygger
på den viden erhvervet i DM578, AI511 og AI503, og har til formål at
styrke eleverne med det analytiske og modellering færdigheder, der er
nødvendige for succes i det dynamiske felt af kunstig intelligens samt
at give grundlag for arbejde videre med emnet med et bachelorprojekt.
Målbeskrivelse
Efter kurset forventes den studerende at have følgende:
Viden om:
- grundlæggende optimeringselementer: formulering af matematiske modeller og genkendelse af deres natur
- ubegrænset og begrænset kontinuert optimering
- gradientmetoder og metaheuristikker
- lineær programmering
- diskret optimering
- heltal lineær programmering
- constraint programmering
- grådige algoritmer, lokal søgning og metaheuristikker
- optimering i maskinlæring
- optimering i beslutningstagning
Færdigheder i at:
- genkende og formelt beskrive et givet optimeringsproblem
- formulere en matematisk model af et problem
- at genkende problemets karakter og vælge egnede metoder for dets løsning
- løse problemet ved hjælp af tilgængelige biblioteker
- designe og implementere et program til løsning af et optimeringsproblem
- designe og implementere løsninger inden for maskinlæring og beslutningstagning.
Kompetencer i at:
- forklare og diskutere optimeringsproblemer og deres løsning tilgange
- vurdere ydeevnen af foreslåede løsninger
- opnå vidergående viden om optimering
Indhold
Kurset indeholder følgende hovedemner:
- Grundlæggende optimeringskoncepter
- Metoder til ubegrænset kontinuert optimering
- Begrænset kontinuert optimering: Lagrangian afslapninger, lineær programmering
- Diskret optimering: lineær heltalsprogrammering, constraint programmering, lokal søgning, metaheuristikker
- Applikationer i maskin læring: for eksempel, neurale netværksoptimering, parameterjustering
- Applikationer i beslutningstagning: for eksempel, ressourceallokering, planlægning, transport
Litteratur
Eksamensbestemmelser
Eksamenselement a)
Tidsmæssig placering
Udprøvninger
Portfolio med mundtlig eksamen
EKA
Censur
Bedømmelse
Identifikation
Sprog
Varighed
Hjælpemidler
ECTS-point
Uddybende information
Portfolio eksamen bestående af to dele:
- Et antal opgaver afleveret undervejs i kurset, dels i grupper og dels individuelt
- En afsluttende mundtlig prøve.
Den mundtlige eksamen baserer sig på de aflverede opgaver, men spørgsmål vil kun være afgrænset af kursets pensum.
Vejledende antal undervisningstimer
Undervisningsform
- Introfase 40 timer
- Træningsfase 30 timer af eksaminatorier
Aktiviteter i studiefasen:
- Løsning af ugentlige opgaver med henblik på diskussion af disse ved eksaminatorierne
- Løsning af projektopgaverne
- Selvstudium af visse emner fra lærebogen
- Selvstændig opsamling på intro og træningsfasen
Ansvarlig underviser
Skemaoplysninger
Administrationsenhed
Team hos Registratur
Udbudssteder
Anbefalede studieforløb
Profil | Uddannelse | Semester | Udbuds periode |
---|---|---|---|
BA centralt fag i kunstig intelligens et-faglig - Optag 2023 og 2024 | Bachelor i kunstig intelligens | Odense | 4 | E24 |
Overgangsordninger
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.