Datateknik GR (B), AI-tekniker, 7,5 hp

Syfte

Kursen syftar till att ge studenten fördjupade kunskaper och praktiska färdigheter inom artificiell intelligens och maskininlärning. Studenten ska utveckla förmåga att välja, tillämpa och utvärdera olika AI- och maskininlärningsmetoder för dataanalys, klassificering, klustring, feldetektering och prediktion. Kursen syftar även till att ge grundläggande kunskaper om neurala nätverk samt praktisk erfarenhet av att utveckla enklare AI-agenter baserade på språkmodeller.

Lärandemål

Efter avslutad kurs ska studenten kunna:

• använda och utvärdera klassiska maskininlärningsmetoder för klassificering och klustring av data,
• välja, tillämpa och utvärdera metoder för feldetektering och anomalidetektering,
• förklara och använda enkla neurala nätverk för klassificering, dataanalys och prediktion och
• utveckla och utvärdera en enkel AI-agent baserad på en språkmodell (LLM), inklusive risker, nytta och etiska aspekter.

Innehåll

• Arbetsmetodik för datadrivna AI- och maskininlärningsprojekt, exempelvis CRISP-DM.
• Datapreparering och datakvalitet, inklusive saknade värden, avvikande värden, normalisering, varians- och korrelationsanalys samt balansering och augmentering av dataset.
• Övervakad och oövervakad maskininlärning samt översiktlig introduktion till förstärkningsinlärning.
• Tillämpning av klassiska maskininlärningsmetoder för klassificering och klustring, exempelvis Random Forest, K-nearest neighbours (KNN), Support Vector Machines (SVM), K-means; och Naive Bayes.
• Metoder för feldetektering och anomalidetektering samt tillämpningar inom exempelvis soft sensors.
• Validering och utvärdering av maskininlärningsmodeller med metoder och mått såsom confusion matrix, accuracy, specificitet, F1-score, ROC och korsvalidering.
• Överinlärning och underinlärning samt metoder för att identifiera och hantera dessa.
• Tillämpning av enkla neurala nätverk, från perceptron och artificiella neuroner till multilayer perceptron (MLP).
• Utveckling och experiment med enklare agenter baserade på språkmodeller (LLM), samt reflektion kring deras samhällsrisker, möjligheter och juridiska aspekter.

Behörighet

15 hp Datateknik GR (A) inkluderande Grundläggande datavetenskap, 7,5 hp och Introduktion till AI, 7,5 hp.

Urvalsregler

Urval sker i enlighet med Högskoleförordningen och den lokala antagningsordningen.

Undervisning

Undervisningen sker i form av föreläsningar, inlämningsuppgifter, laborationer, seminarier samt en avslutande projektuppgift.

Examination

L101: Laborationer, 3,5 hp
Betygsskala: Tvågradig skala
Laborationer med förberedelseuppgifter

P101: Projekt, 4 hp
Betygsskala: Sju-gradig skala, A-F o Fx

Länk till betygskriterier: https://www.miun.se/betygskriterier.

Om en student har ett besked från samordnaren vid Mittuniversitetet om pedagogiskt stöd vid funktionsnedsättning, har examinatorn 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

Sju-gradig skala, A-F o Fx