Datateknik AV, Produktivitetsökande AI-verktyg, 3 hp
Observera att litteraturen i kursplanen kan ändras/revideras fram till:
• 1 juni för en kurs som startar på höstterminen
• 15 november för en kurs som startar på vårterminen
• 1 april för en kurs som startar på sommaren
Skriv ut eller spara kursplanen som PDF
Du kan enkelt skriva ut en kursplan direkt från webbsidan. Använd kortkommandot ctrl+p (Windows) eller command+p (Mac). I nästa steg väljer du om du vill skriva ut eller spara kursplanen som PDF.
För en nedlagd kurs kan eventuell information om avvecklingsperiod hittas under rubriken "Övergångsregel" i senaste versionen av kursplanen.
Kursplan för:
Datateknik AV, Produktivitetsökande AI-verktyg, 3 hp
Computer Engineering MA, Productivity Increasing AI Tools, 3 credits
Allmänna data om kursen
- Kurskod: DT078A
- Ämne huvudområde: Datateknik
- Nivå: Avancerad
- Högskolepoäng: 3
- Fördjupning vs. Examen: A1N - Kursen ligger på avancerad nivå och har endast kurs(er) på grundnivå som förkunskapskrav.
- Utbildningsområde: Teknik 100%
- Ansvarig fakultet: Fakulteten för naturvetenskap, teknik och medier
- Ansvarig institution: Data- och elektroteknik
- Fastställd: 2023-06-12
- Giltig fr.o.m: 2024-01-01
Syfte
Syftet med kursen är att införskaffa sig insikter kring de nya moderna AI-verktygen som finns för att öka sin produktivitet. Samt färdigheter i att ställa rätt frågor och ge rätt invärden till dessa verktyg för att få så bra önskade resultat som möjligt.
Lärandemål
Efter avslutad kurs ska studenten kunna:
- beskriva grundläggande termer, metoder och ansatser som används i produktivitetsökande AI-verktyg
- jämföra och argumentera för och emot olika typer av metoder och verktyg för olika tillämpningsområden
- tillämpa dessa tekniker och verktyg i ett verkligt tillämpningsområde samt reflektera över och utvärdera resultaten
Innehåll
- AI-verktyg för att öka sin produktivitet
- Språkmodeller
- Bildmodeller
- Programkodsmodeller
- Prompt engineering
Behörighet
Avlagd kandidatexamen eller högskoleingenjörsexamen om minst 180 hp, eller motsvarande.
Urvalsregler
Urval sker i enlighet med Högskoleförordningen och den lokala antagningsordningen.
Undervisning
Kursen består av ett fåtal föreläsningar, en webbaserad teoriexamination, en serie med laborationer och en projektuppgift. Föreläsningarna presenterar den nödvändiga teorin, verktyg, och grundläggande termer, etc. Den webbaserade teoriexaminationen består av en serie med quizzar som avser att examinera grundläggande förståelse. Laborationerna avser att ge grundläggande färdigheter i dessa verktyg. Slutligen, i projektet kommer studenten visa på ett eget arbete med dessa verktyg för att sammanfoga tidigare kunskap. Beroende på studentens tidigare erfarenheter, uppskattas arbetsinsatsen till 80 timmars arbete.
Examination
L101: Laborationer, 1 hp
Betygsskala: Underkänd (U) eller Godkänd (G)
Webbaserad examination via Moodle eller annan aktuell kursmiljö
P101: Projekt, 1,5 hp
Betygsskala: Underkänd (U), Godkänd (G) eller Väl Godkänd (VG)
Skriftlig rapport och muntlig presentation
Q101: Webbexamination, teori, 0,5 hp
Betygsskala: Underkänd (U) eller Godkänd (G)
Skriftlig rapport och muntlig presentation
Betygskriterier finns på www.miun.se/betygskriterier.
Om en student har ett besked från samordnaren vid Mittuniversitetet om pedagogiskt stöd vid funktionsnedsättning, har examinator rätt att ge anpassad examination för studenten.
Begränsning av examination
Studenter registrerade på denna version av kursplan har rätt att examineras 3 gånger inom loppet av 1 år enligt angivna examinationsformer. Därefter gäller examinationsform enligt senast gällande version av kursplan.
Betygsskala
Underkänd (U), Godkänd (G) eller Väl Godkänd (VG)
Litteratur
Referenslitteratur
- Författare/red: Johan Falk
- Titel: AI in Education: A Teacher's Guide to ChatGPT
- Författare/red: Nathan Hunter
- Titel: The Art of Prompt Engineering with chatGPT