Kursplan för Introduktion till data science och AI

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2019-02-21 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnIntroduction to data science and AI
  • KurskodDAT405
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåGrundnivå
  • HuvudområdeInformationsteknik, Matematik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87113
  • Max antal deltagare30
  • Sökbar för utbytesstudenterNej
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0119 Inlämningsuppgift 7,5 hp
Betygsskala: TH
7,5 hp

    I program

    Examinator

    Gå till kurshemsidan (Öppnas i ny flik)

    Kurstillfälle 2

    • Undervisningsspråk Engelska
    • Anmälningskod 87116
    • Max antal deltagare80
    • Sökbar för utbytesstudenterNej

    Poängfördelning

    0119 Inlämningsuppgift 7,5 hp
    Betygsskala: TH
    7,5 hp

      I program

      Examinator

      • Claes Strannegård
      Gå till kurshemsidan (Öppnas i ny flik)

      Behörighet

      För kurser på grundnivå inom Chalmers utbildningsprogram gäller samma behörighetskrav som till de(t) program där kursen ingår i programplanen.

      Kursspecifika förkunskaper

      Matematik (minst 22.5 hp, innehållande Analys, Linjär algebra, och Matematisk Statistik), Programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python eller liknande (minst 7,5 hp).

      Lärandemål (efter fullgjord kurs ska studenten kunna)

      Efter godkänd kurs ska studenten kunna

      Kunskap och förståelse
      • beskriva grundläggande problemtyper och tillvägagångssätt inom data science och AI, 
      • ge exempel på tillämpningar av data science och AI från olika sammanhang
      • ge exempel på hur stokastiska modeller och maskininlärning (ML) tillämpas inom data science och AI
      • förklara grundläggande begrepp inom klassisk AI, och förhållandet mellan logiska och datadrivna, ML-baserade tillvägagångssätt inom AI
      • kortfattat beskriva den historiska utvecklingen av AI, vad som är möjligt idag och diskutera möjliga framtida utvecklingen
      Färdigheter och förmåga
      • använda lämpliga programmeringsbibliotek och tekniker för att implementera grundläggande transformationer, visualiseringar och analyser av exempeldata
      • identifiera lämpliga typer av analysproblem för några konkreta data science-tillämpningar
      • implementera några typer av stokastiska modeller och tillämpa dem inom data science och AI tillämpningar
      • implementera och/eller använda AI-verktyg för sökning, planering och problemlösning
      • tillämpa enkla maskininlärningsmetoder implementerade i ett standardbibliotek
      Värderingsförmåga och förhållningssätt
      • motivera vilka typer av statistiska metoder som är lämpliga for de vanligaste typerna av experiment inom data science tillämpningar 
      • diskutera fördelar och nackdelar hos olika typer av tillvägagångssätt och modeller inom data science och AI
      • reflektera över inneboende begränsningar hos data science metoder och hur felanvändandet av statistiska tekniker kan leda till tvivelaktiga slutsatser
      • kritiskt analysera och diskutera data science och AI tillämpningar med avseende på etik, sekretess och samhällspåverkan
      • uppvisa en reflekterande attityd i all inlärning

      Innehåll

      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 kärnmetoder inom data science med fallstudier såsom inom klustring, klassificering och regression.
      • Data science satt i sitt sammanhang med avseende på etik, gällande bestämmelser och begränsnigar.
      Statistiska metoder för data science och AI
      • Introduktion till några vanliga stokastiska modeller med exempel på tillämpningar inom data science och AI (exempelvis naive Bayes klassiciering, 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 AI, i klassisk AI (sökning under bivillkor (search and constraint satisfaction), och ML-baserat (sökmotorer, naiv Bayes och neurala nätverk).
      • Diskussion kring etik och samhällspåverkan av AI.

      Organisation

      Föreläsningar och veckoinlämningar som utförs i par.

      Examination inklusive obligatoriska moment

      Veckoinlämningar. Ingen tenta.

      Kursplanen innehåller ändringar

      • Ändring gjord på kurstillfälle:
        • 2019-11-25: Examinator Examinator ändrat från Marina Axelson-Fisk (marinaa) till Claes Strannegård (clastr) av Viceprefekt
          [Kurstillfälle 2]
        • 2019-07-03: Examinator Examinator ändrat från Dag Wedelin (dag) till Marina Axelson-Fisk (marinaa) av Viceprefekt
          [Kurstillfälle 1]
        • 2019-07-03: Examinator Examinator ändrat från Claes Strannegård (clastr) till Marina Axelson-Fisk (marinaa) av Viceprefekt
          [Kurstillfälle 2]