vår 2022
INF-2600 Kunstig intelligens, KI - metoder og bruksområder - 10 stp

Søknadsfrist

1. juni for emner som tilbys i høstsemesteret. 1. desember for emner som tilbys i vårsemesteret.

Emnetype

Emnet kan tas som enkeltemne.

Opptakskrav

Generell studiekompetanse + MATRS: R1/(S1+S2). Søknadskode: 9354 - enkeltemner i informatikk Det kan også søkes opptak til emnet basert på realkompetanse.

Emnet er adgangsregulert til 30 plasser.


Innhold

Emnet gir en grunnleggende innføring i metoder, strategier og bruksområder i Kunstig Intelligens (KI).  Fokuset er på KI for

  • beslutningsstøtte og kunnskapsbaserte systemer,
  • agentsystemer med programvareagenter og intelligente agenter med og læringsmetoder for agenter (f.eks. avgjørelsestrær, maskinlæring, nevrale nettverk, forsterkende læring og dyp læring).
  • Det legges stort fokus på søkstrategier og planlegging (planning og scheduling) i tillegg til informasjonsgjenfinning.

Relevans i studieprogram: kunstig intelligens som fag og teknologi inngår som en viktig anvendelse i de øvrige realfag.

Programmeringsoppgavene i øvingsopplegget vil løse relevante problemstillinger i kunstig intelligens.


Anbefalte forkunnskaper

INF-1049 Introduksjon til beregningsorientert programmering, INF-1600 Introduksjon til kunstig intelligens, KI

Hva lærer du

Kunnskaper - studenten har:

  • grunnleggende kunnskap om KI-problemer og -løsninger inkludert søkealgoritme og KI-planlegging og optimalisering for agentsystemer.
  • kunnskap om kunnskapsrepresentasjonsformer og kunnskapsbaser inkludert begrunnelsesstrategier, beslutningsstøtte og heuristikk.
  • grunnleggende kunnskap om multi-agent systemer og dens metoder og strategier inkludert programvareagenter, intelligente agenter, meta-agenter og mobile agenter.
  • kunnskap om agentsystemer som bruker maskinlæring, nevrale nettverk og dyp læring
  • kunnskap om bruksområder for intelligente system og multi-agent systemer med intelligente agenter og andre agenter som:
    • beslutningsstøttesystemer og kunnskapsbaserte systemer som kan brukes til intelligente agenter i agentsystemer for avgjørende beslutning
    • informasjonsgjenfinning
    • cyber-fysiske system og robotikk.

Ferdigheter - studenten kan:

  • bruke metoder og teknikker for KI bruksområder inkludert algoritme og optimalisering, og utvikle applikasjoner innen intelligente systemer og agentsystemer
  • bruke søkealgoritmer, KI-planlegger og planlegging, kunnskapsrepresentasjonsformer og resonnement-strategier, beslutningsstøtte og heuristikk.
  • utvikle intelligente systemer, mobile intelligente agenter og multi-agent systemer inkludert programvareagenter, og forskjellig intelligente agenter samt cyber-fysiske system og robotikk.
  • utvikle intelligente systemer, mobile intelligente agenter og multi-agent systemer som bruker maskinlæring, nevrale nettverk og dyp læring
  • håndtere de vanligste algoritmene innen maskinlæring og nevrale nettverk, dyp læring for intelligente systemer og multi-agent systemer
  • formulere og gjennomføre et godt avgrenset og kvalifisert KI-prosjekt med fokus på intelligente systemer og agentsystemer.

Generell kompetanse - studenten kan:

  • presentere grunnleggende problem og utfordringer innenfor intelligente systemer og multi-agent systemer
  • identifisere kravene til forskjellige KI-systemer og KI applikasjoner innenfor intelligente systemer og multi-agent systemer inkludert beslutningsstøtte og kunnskapsbaserte systemer,
  • bruke KI-metoder, -teknikker, og -bruksområder og utvikle intelligente systemer og multi-agent systemer inkludert beslutningsstøtte og kunnskapsbaserte systemer, cyber-fysiske systemer og robotikk
  • bruke og utvikle intelligente systemer og multi-agent systemer som bruker algoritmer innenfor maskinlæring, nevrale nettverk og dyp læring.
  • inngående presentere og diskutere på hvilken måte KI påvirker utforming og realisering av KI-system med fokus på intelligente systemer og multi-agent systemer
  • utvikle en KI-prototype som løser et KI-problem der intelligente systemer og multi-agent systemer med beslutningsstøtte med kunnskaps-baser brukes, og/eller med algoritmer innenfor maskinlæring, nevrale nettverk og dyp læring. 


Undervisnings- og eksamensspråk

Emnet er norskspråklig / skandinavisk. Undervisning og eksamensoppgaver vil gis på norsk, men pensumlitteraturen er på engelsk. 

Undervisning

Forelesninger: 30 timer, Kollokvier: 30 timer, Lab. veiledning: 30 timer. Emnet gis hver vår. Ett semesters varighet.   

Eksamen

Eksamen omfatter skriftlig eksamen av 4 timers varighet som teller 100%. Arbeidskravet må være bestått for å få tilgang til eksamen.

Karakterskala: Bokstavkarakter A-E, F - stryk.

Arbeidskrav:

  • Inntil fem skriftlige innleveringer vurdert til «godkjent» / «ikke godkjent».
  • En prosjektoppgave utført i grupper vurdert til «godkjent» / «ikke godkjent».

Kontinuasjonseksamen: Gis tidlig i undervisningsfritt semester for de som ikke fikk bestått karakter ved siste ordinære eksamen. Skriftlig eksamen av 4 timers varighet som teller 100%. Arbeidskravet må være bestått for å få tilgang til kontinuasjonseksamen.

Utsatt eksamen: Gis tidlig i undervisningsfritt semester. Skriftlig eksamen av 4 timers varighet som teller 100%. Arbeidskravet må være bestått for å få tilgang til utsatt eksamen.

For mer informasjon, se forøvrig:

- Utfyllende bestemmelser for eksamener ved Fakultet for naturvitenskap og teknologi

- Forskrift for studier og eksamener ved UiT


Timeplan

  • Om emnet
  • Studiested: Tromsø |
  • Studiepoeng: 10
  • Emnekode: INF-2600
  • Tidligere år og semester for dette emnet