Kursplan för Introduktion till data science och AI

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2020-02-20 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnIntroduction to data science and AI
  • KurskodDAT405
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåGrundnivå
  • HuvudområdeInformationsteknik, Matematik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87111
  • Sökbar för utbytesstudenterNej
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0119 Inlämningsuppgift 7,5 hp
Betygsskala: TH		7,5 hp0 hp0 hp0 hp0 hp0 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Kurstillfälle 3

  • Undervisningsspråk Engelska
  • Anmälningskod 87117
  • Sökbar för utbytesstudenterJa

Poängfördelning

0119 Inlämningsuppgift 7,5 hp
Betygsskala: TH		0 hp0 hp7,5 hp0 hp0 hp0 hp

I program

Examinator

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

Kurstillfälle 4

  • Undervisningsspråk Engelska
  • Anmälningskod 99214
  • Max antal deltagare50
  • Sökbar för utbytesstudenterNej
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0119 Inlämningsuppgift 7,5 hp
Betygsskala: TH		0 hp7,5 hp0 hp0 hp0 hp0 hp

    Examinator

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

    Behörighet

    Grundläggande behörighet för grundnivå
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Särskild behörighet

    Samma behörighet som det kursägande programmet.
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Kursspecifika förkunskaper

    En kurs i programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python eller liknande) och/eller kännedom om matematisk programvara t.ex. MATLAB från andra kurser.
    En kurs i matematik (exempelvis analys, linjär algebra, tillämpat matematiskt tänkande), samt en kurs i matematisk statistik.

    Syfte

    Kursen ger en bred introduktion till olika tekniker och teorier som används i data science och AI, med särskilt fokus på deras praktiska tillämpningar.

    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 seminarier samt inlämningsuppgifter som utförs i par. Vanligen ges en inlämningsuppgift per vecka.

    Examination inklusive obligatoriska moment

    Kursen examineras genom obligatoriska skriftliga inlämningsuppgifter. Obligatoriska föreläsningar och seminarier kan tillkomma och preciseras då i kurs PM.

    På kursen ges något av betygen Underkänd, 3, 4, eller 5.

    För att få ett godkänt betyg på kursen måste samtliga obligatoriska moment vara godkända. För att få ett högre betyg än godkänt så krävs ett högre viktat genomsnitt på de obligatoriska momenten. Som underlag för den individuella betygssättningen redovisar studenterna skriftligen sina respektive arbetsinsatser inom gruppen.

    Kursplanen innehåller ändringar

    • Ändring gjord på kurstillfälle:
      • 2020-08-21: Examinator Examinator Claes Strannegård (clastr) tillagt av Viceprefekt
        [Kurstillfälle 2]
      • 2020-08-21: Examinator Examinator Claes Strannegård (clastr) tillagt av Viceprefekt
        [Kurstillfälle 3]
      • 2020-08-21: Examinator Examinator ändrat från Marina Axelson-Fisk (marinaa) till Claes Strannegård (clastr) av Viceprefekt
        [Kurstillfälle 4]