Kursplan - Artificiell intelligens 2

Syfte

Kursen syftar till att fördjupa kunskaperna i ämnet artificiell intelligens genom att adressera praktiska metoder för problemdefinition samt kunskapsrepresentation. Kursen syftar vidare till att introducera logikprogrammering samt paradigmer som lämpar sig för när snabb exekvering och minnessäkerhet är önskvärda egenskaper.

Lärandemål

Efter avslutad kurs ska studenten kunna:

1. analysera och definiera sats samt predikatlogik för implementation av agentmodeller,
2. förklara och tillämpa populationsbaserade agentmodeller med utgångpunkt från evolutionära
algoritmer,
3. analysera och definiera de mer grundläggande metoderna inom oskarp logik, osäkerhet, och
resonemang,
4. förklara och tillämpa expertsystem för att lösa ett domänspecifikt problem,
5. förklara och tillämpa planering genom populationsbaserade agentmodeller,
6. förklara hur olika representationer av ett problem med avseende på ökad prestanda kan
bedömas, där representationen sker i form av antigen (i) logik, m.a.o. symboliskt, (ii) numerik
eller (iii) i kombination av dessa samt
7. analysera och definiera ett givet problem, samt bestämma om det kan lösas med en av de
tekniker som ingår i denna kurs.

Innehåll

- Introduktion till sats och predikatlogik, samt djupgående teorigenomgång ämnat åt logikprogrammering och agentmodeller, 

- Genomgång av agentmodeller och interaktion mellan dessa modeller inom ramen för populationsbaserade algoritmer för optimering och planering, 

- Genomgång av osäkerhet, oskarp logik och resonemang för agenter, 

- Fördjupning inom expertsystem för domänspecifika problem,  

- Fördjupning inom planering för enskilda och multiagent system, 

- Fördjupning inom praktiska metoder för bedömning av representationsmodeller med avseende på hög prestanda och låg minnesanvändning.

Särskild behörighet

30 hp datavetenskap vari ingår Programmering 7,5 hp, Datastrukturer, algoritmer och programkonstruktion 7,5 hp och Artificiell intelligens 7,5 hp. Dessutom krävs vektoralgebra 7,5 hp.

Examination

Laboration 1 (LAB1), en programmeringsuppgift som ska demonstreras, 0,5 hp, examinerar lärandemål 1 och 7, betyg Underkänd (U) eller Godkänd (G). 
Laboration 2 (LAB2), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 2,5 hp, examinerar lärandemål 1, 3, 4, 6 och 7, betyg Underkänd (U) eller Godkänd (G). 
Laboration 3 (LAB3), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 2 hp, examinerar lärandemål 2, 6 och 7, betyg Underkänd (U) eller Godkänd (G). 
Laboration 4 (LAB4), en programmeringsuppgift som ska demonstreras, och presenteras med en rapport, 2,5 hp, examinerar lärandemål 2, 5, 6 och 7, betyg Underkänd (U) eller Godkänd (G). 

För slutbetyg Godkänd (G) krävs betyget Godkänd (G) i alla fyra laborationerna.

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Godkänd, underkänd

Övergångsbestämmelser och övriga föreskrifter

Kursen överlappar helt med CDT312/DVA340 Artificiell Intelligens.

Kursen kan räknas till huvudområdet datavetenskap med inriktning intelligenta system för de studenter som önskar ta ut en teknologie kandidatexamen i datavetenskap med inriktning intelligenta system.