Kursplan för Introduktion till data science och AI

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2023-02-02 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnIntroduction to data science and AI
  • KurskodDAT565
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåGrundnivå
  • HuvudområdeInformationsteknik, Matematik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaUG - Godkänd, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87127
  • Max antal deltagare250 (minst 10% av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Inlämningsuppgift 7,5 hp
Betygsskala: UG		7,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Kurstillfälle 2

  • Undervisningsspråk Engelska
  • Anmälningskod 87128
  • Max antal deltagare180 (minst 10% av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Inlämningsuppgift 7,5 hp
Betygsskala: UG		 7,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Kurstillfälle 3

  • Undervisningsspråk Engelska
  • Anmälningskod 87129
  • Max antal deltagare250 (minst 10% av platserna reserveras för utbytesstudenter)
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Inlämningsuppgift 7,5 hp
Betygsskala: UG		 7,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Kurstillfälle 4

  • Undervisningsspråk Engelska
  • Anmälningskod 87130
  • Max antal deltagare250 (minst 10% av platserna reserveras för utbytesstudenter)
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Inlämningsuppgift 7,5 hp
Betygsskala: UG		 7,5 hp

I program

Examinator

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 Godkänd eller Underkänd.

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.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2023-10-09: Tillagd i programplan [Kurstillfälle 2] tillagd i programplan för TKITE åk 3 av UOL
    • 2023-10-09: Tillagd i programplan [Kurstillfälle 3] tillagd i programplan för TKITE åk 3 av UOL
    • 2023-09-18: Examinator Examinator ändrat från Matti Karppa (karppa) till Moa Johansson (jomoa) av Viceprefekt
      [Kurstillfälle 4]
    • 2023-09-15: Examinator Examinator ändrat från Moa Johansson (jomoa) till Matti Karppa (karppa) av Viceprefekt
      [Kurstillfälle 3]
    • 2023-09-15: Examinator Examinator ändrat från Moa Johansson (jomoa) till Matti Karppa (karppa) av Viceprefekt
      [Kurstillfälle 4]
    • 2023-05-02: Examinator Examinator ändrat från Marina Axelson-Fisk (marinaa) till Rocío Mercado (rocom) av Viceprefekt/adm
      [Kurstillfälle 1]
    • 2023-05-02: Examinator Examinator ändrat från Graham Kemp (kemp) till Simon Olsson (simonols) av Viceprefekt/adm
      [Kurstillfälle 2]