DS843: Introduktion til kunstig intelligens

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser
EKA: N340162102
Censur: Intern prøve, to eller flere bedømmere
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Forår
Niveau: Kandidat

STADS ID (UVA): N340162101
ECTS-point: 10

Godkendelsesdato: 04-11-2024


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Kurset samlæses med AI501: Introduktion til kunstig intelligens

Indgangskrav

Kurset kan ikke følges hvis AI501 eller DM879 er bestået, eller hvis AI501 eller DM879 indgår obligatorisk i din studieordning.



Faglige forudsætninger

Den studerende forventes at have opnået en grundlæggende forståelse af programmering, programmeringsalgoritmer, og matematiske beviser, opnåelige fx ved at have fulgt DS820 og DS830.

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. Kurset forbereder de studerende til yderlige avancerede fag om specifikke emner indenfor Kunstig Intelligens.

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

  • give viden om teorier og eksperimentelle metoder inden for de centrale datavidenskabelige områder
  • give færdighed til at anvende de lærte metoder på konkrete problemer
  • give færdighed til at belyse fremsatte hypoteser på kvalificeret teoretisk baggrund og forholde sig kritisk til egne og andres forskningsresultater og videnskabelige modeller
  • give færdighed til at udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det

Målbeskrivelse

Ved kursets afslutning forventes den studerende at have følgende kompetencer:

  • gengive de grundlæggende logiske principper for problemløsning, ræsonnering, og beslutningsprocesser;
  • beskrive i detaljer de principielle algoritmer for søgning, ræsonnering, og beslutning som indgår i pensum;
  • vurdere anvendelighed af basalsøgning, ræsonnering, 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

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Juni

Udprøvninger

Portfolio eksamen

EKA

N340162102

Censur

Intern prøve, to eller flere bedømmere

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

skriftlige eksamen - 4 timer

Hjælpemidler

Eksamen er med begrænsede hjælpemidler. Det er kun følgende hjælpemidler som er tilladt:

  • 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. Du må dog gå ind på kursets hjemmeside i itslearning i forbindelse med åbning af system "DE – Digital Eksamen" og udfyldelse af evt. test i systemet.

ECTS-point

10

Uddybende information

Portfolioeksamen, bestående af
(a) gruppeprojekt med skriftelig rapport 
(b) skriftelig eksamen i eksamensperiode.

Den endelige karakter er en kombination af præstation i den skriftlige eksamen og i projektet, hvor projektet kan trække eksamenskarakter op eller ned med højst et niveau.

Vejledende antal undervisningstimer

56 timer per semester

Undervisningsform

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

  • Introfase: 28 timer 
  • Træningsfase: 28 timer, heraf 28 eksaminatoriertimer

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

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos 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.