Design av AI-system

Kursen kan ingå i följande program:

1. Computer Science, masterprogram (N2COS)
2. Applied Data Science, masterprogram (N2ADS)
3. Matematiska vetenskaper, masterprogram (N2MAT)

För att vara behörig till kursen ska studenten ha godkända kurser i:

• 7,5 hp i tillämpad matematiskt tänkande (DIT025 eller DIT856 eller motsvarande) eller i grundläggande matematik (innehållande exempelvis analys, linjär algebra, diskret matematik)
• 7,5 hp i matematisk statistik, exempelvis MSG810 eller DIT862 eller liknande
• 7,5 hp Programmering i ett generellt imperativt programmeringsspråk (t. ex.Python/Java/C eller liknande)
• En introduktionskurs i Data Science och/eller AI, e.g. DIT852 or DIT405 eller liknande

Följande kunskapsnivå i Engelska krävs: Engelska 6/Engelska nivå 2 eller motsvarande från ett erkänt internationellt test, t.ex. TOEFL, IELTS.

Kursen lär ut design av AI-system på flera olika sätt:

• Läsning av artiklar och föreläsningar som beskriver olika AI system och deras design (exempelvis AlphaZero, Watson, system för självkörande bilar,…)
• Möjlighet att själv testa och se implementeringen av olika enklare AI-system.
• Egen problemlösning i form av design och implementering av enklare AI-system.
• Diskussion om möjligheter och begränsningar med AI, etik och samhällspåverkan.

Efter godkänd kurs ska studenten kunna:

Kunskap och förståelse

• Ge en överblick över olika tillämpningar inom AI och näraliggande områden.
• Beskriva hur olika välkända AI-system fungerar och används.
• Förklara hur AI-tekniker förhåller sig till andra slag av avancerad
  informationsbehandling

Färdigheter och förmåga

• Identifiera problem som kan lösas med AI-tekniker och annan avancerad informationsbehandling.
• Designa enklare AI-system för olika tillämpningar, inklusive modellval och systemdesign.
• Implementera AI-system med programmering i kombination med olika verktyg och programmeringsbibliotek.

Värderingsförmåga och förhållningssätt

• Diskutera fördelar och nackdelar hos olika typer av tillvägagångssätt och modeller inom AI.
• Reflektera över inneboende begränsningar och möjligheter med dagens AI-metoder.
• Kritiskt analysera och diskutera AI-tillämpningar med avseende på etik, sekretess och samhällspåverkan.
• Uppvisa en reflekterande attityd i all inlärning.

Föreläsningar och moduler med inlämningsuppgifter och miniprojekt – dessa utförs i huvudsak i grupper om två personer.

Undervisningsspråk: engelska

Inlämningsuppgifter och miniprojekt.

Om en student som har underkänts två gånger på samma examinerande moment önskar byta examinator inför nästa examinationstillfälle ska en sådan begäran bifallas om det inte finns särskilda skäl däremot (6 kap. 22 § HF).

Om en student har fått besked om pedagogiskt stöd från Göteborgs universitet med rekommendation om anpassad examination och/eller anpassad examinationsform kan examinator, i det fall det är förenligt med kursens lärandemål och förutsatt att inte orimliga resurser krävs, besluta att bevilja studenten anpassad examination och/eller anpassad examinationsform.

Om en kurs har avvecklats eller genomgått en större förändring ska studenten erbjudas minst två examinationstillfällen, utöver ordinarie examinationstillfälle. Dessa tillfällen fördelas under en tid av minst ett år, dock som längst två år efter det att kursen avvecklats/förändrats. Vad gäller praktik och verksamhetsförlagd utbildning (VFU) gäller motsvarande, men med begränsning till endast ett ytterligare examinationstillfälle.

Om en student har fått besked om att denne uppfyller kraven för att vara student vid Riksidrottsuniversitetet (RIU-student) har examinator rätt att besluta om anpassning vid examination, om detta görs i enlighet med Lokala regler gällande RIU-studenter vid Göteborgs universitet

Delkurser

1. Inlämningsuppgifter, 7,5 hp
   Betygsskala: Väl godkänd (VG), Godkänd (G) och Underkänd (U)

För att få godkänt på kursen måste alla veckoinlämningar och mini-projekten vara godkända. För att få ett bättre betyg än godkänt så krävs ett högre viktad genomsnittet av veckoinlämningarna och mini-projekten.

Kursen utvärderas genom möten, både under och efter kursen, mellan lärare och studentrepresentanter. Ett anonymt skriftligt frågeformulär skickas även ut till studenterna efter kursens slut. Resultaten av utvärderingarna används för att förbättra kursinnehållet och som indikation till vilka delar som skulle kunna läggas till, tas bort, förbättras eller ändras.

Det rekommenderas starkt att studenten har avslutat en kurs i Machine Learning, exempelvis DIT866 eller liknande, eller att en sådan kurs läses parallelt med denna kurs.

Kursen är samläst med Chalmers.