Kursplan för Digitalisering och AI för framtida sjöfart: grunder och tillämpningar

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

0124 Projekt, del A 4,5 hp
Betygsskala: TH		0 hp0 hp0 hp4,5 hp0 hp0 hp
0224 Laboration, del B 3 hp
Betygsskala: UG		0 hp0 hp0 hp3 hp0 hp0 hp

I program

Examinator

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

Kunskaper och färdigheter motsvarande lärandemål av följande kurser (eller liknande): MMS265 Introduktion till internationell logistik

Syfte

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 sjötransportsekton
Introduktion
  • 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
  • Översikt över python och bibliotek för dataanalys
  • Kvalitetsbedömning av olika fraktdatakällor
  • Typer av datainformation från sjöfartsdigitalisering
  • Exempel på datahantering för beslutsfattande
Grundläggande AI-verktyg för big data-analys inom sjöfartsdigitalisering
  • Förtydligande av olika terminologier inom området AI och ML
  • Översikt över olika kategorier för maskininlärning
  • Grundläggande matematik och statistik för tillämpning av ML
Big data och AI-verktyg i modern beslutsprocess för sjötransporter
  • 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
PYTHON-programmering
  • Förstå python-skript
  • Python-programmering
Exempel på digitalisering och AI-verktyg inom sjöfarten
  • 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), O’Reilly.
  • 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.