AI505: Optimering

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N400005102
Censur: Ekstern prøve
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Forår
Niveau: Bachelor

STADS ID (UVA): N400005101
ECTS-point: 7.5

Godkendelsesdato: 20-02-2024


Varighed: 1 semester

Version: Godkendt - aktiv

Indgangskrav

Ingen

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

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Forår og juni

Udprøvninger

Portfolio med mundtlig eksamen

EKA

N400005102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

Mundtlig eksamen - 25 min. inkl. votering, ingen forberedelse

Hjælpemidler

kke tilladt

ECTS-point

7.5

Uddybende information

Portfolio eksamen bestående af to dele:

  1. Et antal opgaver afleveret undervejs i kurset, dels i grupper og dels individuelt
  2. 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

70 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • 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

Navn E-mail Institut
Marco Chiarandini marco@imada.sdu.dk Institut for Matematik og Datalogi

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.