DM879: Kunstig Intelligens
Kommentar
Indgangskrav
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
Eksamensbestemmelser
Eksamenselement a)
Tidsmæssig placering
Udprøvninger
Projekt og skriftlig eksamen
EKA
Censur
Bedømmelse
Identifikation
Sprog
Varighed
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
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
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 | Institut | |
|---|---|---|
| Jacopo Mauro | mauro@imada.sdu.dk | Institut for Matematik og Datalogi |
| Luís Cruz-Filipe | lcf@imada.sdu.dk | Concurrency |
Yderligere undervisere
Skemaoplysninger
Administrationsenhed
Team hos Uddannelsesjura & Registratur
Udbudssteder
Anbefalede studieforløb
Overgangsordninger
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.