Introduktion till Data science och AI
Om utbildningen
Under kursens gång kommer ett brett urval av metoder för Data Science och AI att presenteras. Kursen delas in i tre delar:
Introduktion till data science
Implementation av data science-lösningar med hjälp av Python, grundläggande data-analys och visualisering.
- Introduktion av data science-processen och lämplig metodik.
- Exempel på grundläggande metoder inom data science med fallstudier inom till exempel klustring, klassificering och regression.
- Data science satt i sitt sammanhang med avseende på etik, gällande bestämmelser och begränsningar.
Statistiska metoder för data science och AI
- Introduktion till några vanliga stokastiska modeller med exempel på tillämpningar inom data science och AI (till exempel naive Bayes klassificering, ämnesmodeller "topic models" av text, och dolda Markovmodeller för sekvensdata)
Artificiell Intelligens
- Introduktion till klassisk AI och maskininlärning, inklusive förhållandet till relaterade områden såsom algoritmer och optimering, och AI-filosofi.
- Exempel på metoder och tillämpningar inom såväl klassisk AI (till exempel kunskapsrepresentation och heuristisk sökning) som ML (till exempel neurala nätverk, beslutsträd, reinforcement learning).
- Diskussion kring etik och samhällspåverkan av AI.
Behörigheter och urval
Behörighet
För att vara behörig till kursen ska studenten ha:
- 7,5 hp i grundläggande matematik (innehållande exempelvis analys, linjär algebra och/eller diskret matematik) eller i tillämpad matematiskt tänkande (DIT025 eller motsvarande).
- 7,5 hp i matematisk statistik (exempelvis MSG810 eller DIT862 eller DIT278 eller motsvarande), eller kursen DIT022.
- 7,5 hp i programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python/Haskell eller liknande).
Följande kunskapsnivå i Engelska krävs: Engelska 6/Engelska nivå 2 eller motsvarande från ett erkänt internationellt test, t.ex. TOEFL, IELTS.
Urval
Betyg (34 %), högskoleprov (33 %) och högskolepoäng, max 165 hp (33 %).
