DM879: Kunstig Intelligens

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser
EKA: N340087102
Censur: Intern prøve, to eller flere bedømmere
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Forår
Niveau: Kandidat

STADS ID (UVA): N340087101
ECTS-point: 10

Godkendelsesdato: 02-11-2022


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

NEDLÆGGES - udbydes sidste gang F24
Eksamensforsøg afholdes juni 2024
Eksamensforsøg afholdes august 2024
Eksamensforsøg afholdes Januar 2025
 
Uddannelser med eksamenstermin i slutningen af forårssemesteret: Hvis du ikke består den ordinære prøve, kan du tilmelde dig omprøve (2. prøveforsøg) i samme eksamenstermin eller i umiddelbarforlængelse heraf, dog senest sidste hverdag i august.

Indgangskrav

Studerende må ikke vælge dette kursus hvis de har fulgt DM577, eller hvis DM577 indgår obligatorisk i deres studieordning.

Faglige forudsætninger

Den studerende forventes at have opnået en grundlæggende forståelse af matematiske beviser og programmering, opnåelige fx ved at have fulgt DM549 Diskrete metoder til datalogi eller MM537 Introduktion til matematiske metoder, og DM536/DM550/DM574 Introduktion til Programmering eller DM562 Scientific Programming.

Formål

Formålet med kurset er at give deltagerne viden om grundlæggende begreber og tekniker som danner baggrund for intelligente computer systemer. Fokus er på fire aspekter - problemløsning, ræsonnement, beslutningsproces, maskinlæring - og på de logiske og sandsynlighedsbaserede fundamenter for disse aktiviteter.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

  • give viden om et udvalg af specialiserede modeller og metoder udviklet inden for datalogi baseret på højeste internationale forskning, herunder emner fra fagets forskningsfront
  • give viden om datalogiske modeller og metoder beregnet til anvendelser i andre faglige områder
  • give færdigheden til at beskrive, analysere og løse avancerede datalogiske problemstillinger ved hjælp af de lærte modeller
  • give færdigheden til at udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det
  • give kompetence til at planlægge og udføre videnskabelige projekter på højt fagligt niveau herunder styre arbejds- og udviklingssituationer, der er komplekse, uforudsigelige og forudsætter nye løsningsmodeller

Målbeskrivelse

Ved kursets afslutning forventes den studerende at have følgende kompetencer:

  • gengive de grundlæggende logiske og sandsynlighedsbaserede principper for problemløsning, ræsonnering, maskinlæring og beslutningsprocesser;
  • beskrive i detaljer de principielle algoritmer for søgning, ræsonnering, læring og beslutning som indgår i pensum;
  • vurdere anvendelighed af basalsøgning, ræsonnering, lærings- og beslutningsteknikker i problemer, som i natur minder om problemer fra kurset;
  • udtænke og implementere intelligente systemer til at løse konkrete beregningsproblemer.

Indhold

  • Oversigt af kunstig intelligens
  • Søgetekniker
  • Viden, ræsonnering og planlægning
  • Probabilistisk ræsonnering
  • Maskinlæring

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Forår

Udprøvninger

Projekt og skriftlig eksamen

EKA

N340087102

Censur

Intern prøve, to eller flere bedømmere

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

Skriftlig eksamen - 3 timer

Hjælpemidler

Projekt: Oplyses på kurset.

Skriftlig eksamen: Uden hjælpemidler. Dog  er det tilladt at anvende ordbøger til oversættelse af sprog (fx dansk/engelsk, dansk/tysk osv.) i ordbogsprogrammet fra http://www.ordbogen.com/ i elektronisk form. Browserudgaven er ikke tilladt. Se komplet liste over hvilke ordbøger som er tilladt i den separate "Vejledning til ordbogen dot com". Alle andre ordbøger end de tilladte skal være slået fra i ordbogsprogrammet. Internet er ikke tilladt. 

ECTS-point

10

Uddybende information

Eksamen består af et gruppeprojekt og en individuel skriftlig eksamen. Den skriftlige eksamen inkluderer en del spørgsmål om projektet, hvis mål er at evaluere den studerendes individuelle bidrag til projektet. Den endelige karakter kombinerer præstationen i begge komponenter.

Vejledende antal undervisningstimer

72 timer per semester

Undervisningsform

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

  • Introfase: 44 timer 
  • Træningsfase: 28 eksamonatorietimer

Aktiviteter i studiefasen: Løsning af små opgaver, individuelt eller i små grupper.

Ansvarlig underviser

Navn E-mail Institut
Jacopo Mauro mauro@imada.sdu.dk Institut for Matematik og Datalogi
Luís Cruz-Filipe lcf@imada.sdu.dk Concurrency

Yderligere undervisere

Navn E-mail Institut By
Marco Chiarandini marco@imada.sdu.dk Data Science

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode

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.