DD2380 Artificiell intelligens 6,0 hp

• Utbildningsnivå

  Avancerad nivå

• Huvudområde

  Datalogi och datateknik
  

• Betygsskala

  A, B, C, D, E, FX, F

• Kurswebb

Lärandemål

Efter avslutad kurs ska studenten kunna

1. känna till och tillämpa grundläggande principer inom artificiell intelligens
2. lösa problem inom AI
3. demonstrera insikt gällande risker med AI och dess roll i samhället
4. presentera arbete

i syfte att

• dra nytta av metoder inom artificiell intelligens vid analys, design och implementation av datorprogram i såväl akademiska som industriella tillämpningar
• på ett ändamålsenligt sätt presentera resultat och lösningar.

Kursens huvudsakliga innehåll

Följande områden behandlas inom ramen för kursen: problemlösning med sökalgoritmer, heuristik och spel, kunskapsrepresentationer (logik), planering,  representation av osäker och resonerande kunskap (Bayesianska nätverk, HMM), beslutsteori och utility theory, språkbehandling (NLP).

Kursupplägg

Kursmaterialet presenteras i en serie föreläsningar. Givet kursen bredd dessa föreläsningar syftar till att introducera materialet snarare än att gå på djupet. Utöver föreläsningar annordnas några övningar som går lite mer på djupet. Examinationen i kursen består av quizzes som testar kunskap och förståelse av grundläggande koncept i kurser, två labbar där programmering i Java och C++ krävs som går på djupet inom två områden och som testar förmågan att lösa problem i AI samt ett valfritt projekt med forskningskoppling för högre betyg. Ett kriteriabaserat betygssystem används.

Behörighet

För fristående kursstuderande krävs 90 högskolepoäng varav 45 högskolepoäng inom matematik och/eller informationsteknik, och kurserna SF1604 Linjär algebra, SF1625 Envariabelanalys, SF1626 Flervariabelanalys, SF1901 Sannolikhetsteori och statistik, DD1337 Programmering och DD1338 Algoritmer och Datastrukturer eller motsvarande.

Rekommenderade förkunskaper

Programmeringskunskaper i Java eller C++ samt datalogikunskaper motsvarande DD1337 Programmering och DD1338 Algoritmer och Datastrukturer. Dessutom kurskaper motsvarande SF1546 Numeriska metoder gk och SF1901 Sannolikhetsteori och statistik.

Litteratur

Artificial Intelligence: A Modern Approach by Stuart J. Russell and Peter Norvig

Examination

• LAB1 - Laborationer, 4,0, betygsskala: P, F
• TEN1 - Tentamen, 2,0, betygsskala: P, F

I denna kurs tillämpas skolans hederskodex, se: http://www.kth.se/csc/student/hederskodex.

Krav för slutbetyg

För att slutföra kursen måste studenten klara av de två momenten (LAB1; 4 hp) och  (TEN1; 2 hp)

Ges av

EECS/Intelligenta system

Kontaktperson

Jana Tumova, tumova@kth.se

Examinator

Iolanda Dos Santos Carvalho Leite <iolanda@kth.se>

Jana Tumová <tumova@kth.se>

Påbyggnad

DD2431 Maskininlärning
DD2434 Mackininlärning, avancerad kurs
DD2424 Djupinlärning i data science
DD2432 Artificiella neuronnät och andra lärande system
DD2423 Bildbehandling och datorseende
DD2429 Datorfotografi
DD2425 Robotik och autonoma system
EL2320 Tillämpad estimering

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.