Kursplan för Data science inom produktframtagning

Kursplan fastställd 2025-02-19 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnData science in product realization
  • KurskodIMS065
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPPEN
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeAutomation och mekatronik, Maskinteknik
  • InstitutionINDUSTRI- OCH MATERIALVETENSKAP
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 34119
  • Max antal deltagare50 (minst 10% av platserna reserveras för utbytesstudenter)
  • Sökbar för utbytesstudenterJa

Poängfördelning

0120 Projekt 7,5 hp
Betygsskala: TH		 7,5 hp

I program

Examinator

Behörighet

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

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Programmering, statistik, grunder inom produkt- och/eller produktionsutveckling.

Grundläggande erfarenhet i Matlab eller liknande mjukvara för dataanalys är klart önskvärt. Överväg att studera en förberedande kurs i Matlab (såsom TME265) som förberedande kurs vid behov.

Syfte

Syftet är att möjliggöra datadrivna och faktabaserade beslut inom maskiningenjörsområdet, specifikt inom industriell produktframtagning. Kursens övergripande mål är därför att ge studenterna grundläggande förståelse för ”data science” (artificiell intelligens och maskininlärning inkluderat) och färdigheter i att applicera tekniker inom ”data science” för att utveckla produktionssystem och produkter.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter avklarad kurs kommer studenterna kunna:
LO1: Beskriva grunderna inom Artificiell Intelligens (AI), maskininlärning (ML), datadriven modellering och analys av stora datamängder.
LO2: Applicera grunderna i välkända bibliotek och verktyg för dataanalytiker
LO3: Beskriva olika steg i dataanalysprocessen
LO4: Beskriva och applicera visualiseringstekniker kopplade till dataanalysprocessen
LO5: Använda metoder för preparering av dataset för att säkerställa datakvalitet
LO6: Förklara och tolka användandet av data och applicerbarheten av AI/ML för utveckling av produktionssystem och produktutveckling.
LO7: Tolka och diskutera state-of-the-art-kunskap från vetenskapliga artiklar kopplat till dataanalys inom maskiningenjörsområdet
LO8: Implementera vanliga AI/ML-algoritmer, analysera deras prestation och diskutera deras användbarhet i industriella applikationer genom produktframtagningskedjan.
LO9: Kritiskt analysera och argumentera kring etiska principer och potentiell påverkan av AI på människor och samhälle samt utvärdera sociala och mänskliga krav på framtida system och scenarion.

Innehåll

Kursen är uppdelad i fyra moduler:

Modul 1: Introduktion till avancerad dataanalys
  • Grunder inom avancerad dataanalys
  • Överblick av datadriven modellering
  • Introduktion till verktyg för dataanalytiker
Modul 2: Dataanalys och visualisering
  • Introduktion till dataanalysprocessen
  • Explorativ dataanalys och statistik
  • Metoder för preparering av dataset
Modul 3: AI och ML
  • Generell introduktion till AI och ML
  • Exempel på ML-algoritmer och förståelse för situationer de kan användas
  • Exempel på Deep Learning
  • Analys av olika industriella applikationer av AI/ML inom produktframtagning
  • Etiska aspekter av AI (kommer att täckas genom läsning av vetenskapliga artiklar och diskussion vid litteraturseminarier)
Modul 4: Att skapa värde av AI inom produktframtagning - projektarbete
  • Övning med grupparbetsprojekt för att förstå AI/ML-system genom utvalda industriella fall från inom produktframtagning

Organisation

Kursen använder metoder för aktivt och problembaserat lärande för att engagera studenterna och supporta inlärningen på ett kreativt sätt. De olika kursmodulerna innehåller följande läraktiviteter:
  • Föreläsningar
  • Labbar och introducerande datorövningar
  • Modelleringsövningar för att träna visualisering, datapreparering och AI/ML-applikationer
  • Projektarbete
  • Presentationer och diskussioner av vetenskapliga artiklar kopplade till produktframtagningsprocessen

Litteratur

- Vetenskapliga artiklar
- Föreläsningsmaterial
- Utvalda delar av e-böcker och annat material on-line

Examination inklusive obligatoriska moment

Det examinerande projektarbetet består av en teknisk rapport och dess bilagor, som inkluderar programkod och en konsekvensbeskrivande poster. För att bli godkänd på kursen krävs godkänt på samtliga uppgifter individuellt såsom projektarbete, praktiska övningar i egen takt, obligatoriskt kunskapstest (online quiz) via CANVAS samt presentation vid litteraturseminarium. Betygen är individuella och betygsskalan är Underkänd, 3, 4 och 5. Följande logik kommer att användas för att bestämma de individuella betygen (max 100p):
  • Obligatorisk projektrapport (inklusive bilagor) = max 70 poäng
  • Obligatoriskt kunskapstest (online-quiz) = max 30 poäng
Individuellt betyg 5: Samma som för betyg 3 OCH totalt antal poäng ≥ 80 p
Individuellt betyg 4: Samma som för betyg 3 OCH totalt antal poäng ≥ 60 p
Individuellt betyg 3: Projektrapport (inklusive bilagor) ≥ 35 p OCH kunskapstest ≥ 15 p OCH övriga uppgifter avklarade.
Individuellt betyg U: Projektrapport (inklusive bilagor) < 35 p ELLER kunskapsprov < 15 p ELLER övriga bedömningsuppgifter ofullständiga.

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 riktat pedagogiskt stöd på grund av funktionsnedsättning.