Kursplan fastställd 2024-02-15 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnDigitalization and AI for future shipping: Fundamentals and applications
- KurskodMMS285
- Omfattning7,5 Högskolepoäng
- ÄgareTSILO
- UtbildningsnivåGrundnivå
- HuvudområdeSjöfartsteknik
- InstitutionMEKANIK OCH MARITIMA VETENSKAPER
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 81135
- Max antal deltagare50 (minst 10% av platserna reserveras för utbytesstudenter)
- Sökbar för utbytesstudenterJa
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
---|---|---|---|---|---|---|---|
0124 Projekt, del A 4,5 hp Betygsskala: TH | 0 hp | 0 hp | 0 hp | 4,5 hp | 0 hp | 0 hp | |
0224 Laboration, del B 3 hp Betygsskala: UG | 0 hp | 0 hp | 0 hp | 3 hp | 0 hp | 0 hp |
I program
- MPMAR - SJÖFARTENS ORGANISATION OCH LEDNING, MASTERPROGRAM, Årskurs 1 (valbar)
- TSILO - INTERNATIONELL LOGISTIK, Årskurs 3 (obligatoriskt valbar)
Examinator
- Wengang Mao
- Biträdande professor, Marin teknik, Mekanik och maritima vetenskaper
Behörighet
Grundläggande behörighet för grundnivåSökande 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
Kunskaper och färdigheter motsvarande lärandemål av följande kurser (eller liknande): MMS265 Introduktion till internationell logistikSyfte
Kursen syftar till att stärka studenternas kunskaper i digitalisering av sjöfartssektorn med tonvikt på hur digitalisering kan användas i den dagliga verksamheten och för beslutsfattande transporter. För detta syftar kursen till att öka elevernas förståelse och färdigheter i big data och AI/maskininlärningsverktyg som används vid sjöfartsdigitalisering, samt i att visualisera- och analysera data inom miljömässigt hållbar sjötransport och förvaltning. Genom faktisk branschpraxis inom miljömässigt hållbar sjöfart syftar kursen också till att ge studenterna en fördjupad förståelse för utmaningar och möjligheter relaterade till digitalisering och AI inom sjötransportbranschen. Under kursen kommer deltagarnas färdigheter i PYTHON-programmering att vidareutvecklas.Lärandemål (efter fullgjord kurs ska studenten kunna)
- Förklara utmaningar och möjligheter inom digitalisering inom sjötransportsektorn
- Förklara användningen av big data/AI hos intressenter inom sjöfartssektorn
- Använd PYTHON i big data/AI-analys
- Förklara tillämpningen av programmeringsskript i big data/AI-analys
- Visa förståelse för användningen av big data-verktyg vid digitalisering av sjötransportsektorn
- Utveckla maskininlärningsmodeller för beslutsfattande
- Förklara och reflektera över digitaliseringens inverkan/på elevernas eget lärande
Innehåll
BLOCK 1 Digitalisering inom sjötransportsektonIntroduktion
- Frakt Digitaliseringsstatus och trend
- Sensorer och system för digitalisering av fartyg/hamnar
- Trafikinformation i fraktkedjan
- Big data rörande maritim miljö inom sjöfarten
- System för datainsamling och delning mellan sjöfartsintressenter
Utmaningar och möjligheter med big data från sjöfartens digitalisering
- Datainsamling/lagring/säkerhet
- Data- och sensorkänsligheter (AIS-data, fartygsövervakningsdata, miljödata, logistikdata, förvaltningsplandata, )
- Datavisualisering
- Dataanalys och datautvinningstekniker
BLOCK 2 Big data och AI-verktyg inom digitalisering inom sjötransportsektorn
Grundverktyg för att hantera fraktdigitaliseringsinformation
BLOCK 3: Maskininlärning och programmering
Maskininlärningsmetoder
Grundverktyg för att hantera fraktdigitaliseringsinformation
- Översikt över python och bibliotek för dataanalys
- Kvalitetsbedömning av olika fraktdatakällor
- Typer av datainformation från sjöfartsdigitalisering
- Exempel på datahantering för beslutsfattande
- Förtydligande av olika terminologier inom området AI och ML
- Översikt över olika kategorier för maskininlärning
- Grundläggande matematik och statistik för tillämpning av ML
- Maritim ekonomi och logistisk planering
- Hamnledning och fartygsruttplanering
- Övervakning av fartygsprestanda
- Analys och underhållsplanering av fartyg efter resan
BLOCK 3: Maskininlärning och programmering
Maskininlärningsmetoder
- Grundläggande regression
- Beslutsträd och ensemblealgoritm
- Neuralt nätverk och Deep Learning
- Förstå python-skript
- Python-programmering
- AI/ML-tekniker för modellering av frakteffektivitet och säkerhet
- AI/ML-tekniker för modellering av sjöfartsekonomi/logistik
- AI/ML-tekniker för modellering av maritima miljöpåverkan
Organisation
Kursen är organiserad kring,- Föreläsningar och gästföreläsningar
- Datorlaborationsövningar,
- Projektuppdrag
- Seminarier
Litteratur
Följande litteratur kommer att användas i kursen:- Gruner, J. (2021). Digital Transformation in Shipping: The Hapag-Lloyd Story. In: Seebacher, U.G. (eds) B2B Marketing. Management for Professionals. Springer, Cham.
- Martelli, A, Ravencroft, Holden, S. McGuire, P. (2023). Python in a Nutshell (4th Edn), OReilly.
- Datorlaboratoriehandbok och instruktioner tillhandahålls under kursen.
Examination inklusive obligatoriska moment
Examinationen av kursen består av följande moment,- Kursmoment 1: Projektuppgift presenterad och redovisad under ett avslutande seminarium (4,5 hp)
- Kursmoment 2: Laborationer, PYTHON-programmering (3 hp)
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.