Datateknik, avancerad nivå, Avancerade tekniker för intelligenta system, 15 högskolepoäng

Computer Science, Advanced Technologies for Intelligent Systems, Second Cycle, 15 Credits

Mål

Mål för utbildning på avancerad nivå

Utbildning på avancerad nivå ska innebära fördjupning av kunskaper, färdigheter och förmågor i förhållande till utbildning på grundnivå och ska, utöver vad som gäller för utbildning på grundnivå,

• ytterligare utveckla studenternas förmåga att självständigt integrera och använda kunskaper,
• utveckla studenternas förmåga att hantera komplexa företeelser, frågeställningar och situationer, och
• utveckla studenternas förutsättningar för yrkesverksamhet som ställer stora krav på självständighet eller för forsknings- och utvecklingsarbete.

(1 kap. 9 § högskolelagen)

Kursens mål

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna

• förklara grundläggande begrepp inom maskininlärning och olika maskininlärningsalgoritmer,
• välja och motivera probailistiska metoder för komplexa problem inom lokalisering och kartering för robotar, och
• diskutera beteende och prestanda för dessa algoritmer, baserat på deras teoretiska grunder.

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna

• bereda data och tillämpa maskininlärningsmetoder för att uppnå ett inlärningsmål i ett intelligent system,
• utveckla programvara som använder probabilistiska tekniker för robotiktillämpningar, och
• bedöma prestanda för den utvecklade programvaran.

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska den studerande kunna jämföra och kritiskt bedöma fördelarna och begränsningarna av probabilistiska metoder och maskininlärningsmetoder, samt att kunna identifiera problem och felaktiga resultat.

Kursens huvudsakliga innehåll

Delkurs 1: Maskininlärning, 7,5 högskolepoäng

• Grundläggande begrepp och algoritmer för övervakad och oövervakad maskininlärning,
• användning av maskininlärningsalgoritmer för klassificering, prediktion och klustring,
• metoder för förbehandling av data, inklusive normalisering, extrahering och urval av attribut, samt dimensionsreducering,
• praktiska rekommendationer för tillämpning av maskininlärningsalgoritmer, och
• utvärdering och analys av prestanda för maskininlärningsalgoritmer.

Delkurs 2: Probabilistisk Robotik, 7,5 högskolepoäng

• Matematisk statistik: Bayes sats, sannolikhetsfördelningar, generativa och diskriminativa modeller,
• Kalmanfilter,
• partikelfilter och Monte Carlo-optimering,
• sensormodeller och rörelsemodeller,
• SLAM (simultan lokalisering och kartering),
• data-association, och
• probabilistiska grafer.

Studieformer

Delkurs I: Maskininlärning
Föreläsningar, laborationer och seminarier.

Delkurs II: Probabilstisk robotik
Föreläsningar, självständig läsning, grupprojektarbete med handledning.

Vid litet antal studenter kan föreläsningarna ersättas med individuell handledning.

Den som antagits till och registrerats på en kurs har rätt att erhålla undervisning och/eller handledning under den tid som angavs för kurstillfället som den sökande blivit antagen till (se universitetets antagningsordning). Därefter upphör rätten till undervisning och/eller handledning.

Examinationsformer

Delkurs 1: Maskininlärning

Maskininlärning, praktik, 4,5 högskolepoäng (Provkod: A001)
Skriftliga rapporter.

Maskininlärning, teori, 3 högskolepoäng (Provkod: A002)
Muntliga presentationer vid seminarium.

Delkurs 2: Probabilistisk Robotik

Probabilistisk Robotik, teori, 3 högskolepoäng (Provkod: A003)
Salstentamen. Vid ett litet antal studenter kan den skriftliga tentamen ersättas med muntlig tentamen.

Probabilistisk Robotik, praktik, 4,5 högskolepoäng (Provkod: A004)
Demonstration av resultat från grupprojekt samt skriftlig och muntlig redovisning.

För studenter med dokumenterad funktionsnedsättning kan universitetet besluta om anpassning av examination eller annan examinationsform.

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Betyg

Enligt 6 kap. 18 § högskoleförordningen ska betyg sättas på en genomgången kurs om inte universitetet föreskriver något annat. Universitetet får föreskriva vilket betygssystem som ska användas. Betyget ska beslutas av en av universitetet särskilt utsedd lärare (examinator).

Enligt föreskrifter om betygssystem för utbildning på grundnivå och avancerad nivå (rektors beslut 2019-01-15, ORU 2019/00107) ska som betyg användas något av uttrycken underkänd, godkänd eller väl godkänd. Rektor eller den rektor bestämmer får besluta om undantag från denna bestämmelse för en viss kurs om det finns särskilda skäl.

Som betyg på kursen används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Maskininlärning, praktik
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Maskininlärning, teori
Som betyg används Underkänd (U) eller Godkänd (G).

Probabilistisk Robotik, teori
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

Probabilistisk Robotik, praktik
Som betyg används Underkänd (U), Godkänd (G) eller Väl godkänd (VG).

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Kommentar till betyg

För att få betyget VG på hela kursen måste studenten ha VG på minst två av examinationsmomenten.

Särskild behörighet och andra villkor

Examen på grundnivå om 180 hp med datavetenskap/datateknik som huvudområde och 15 hp i matematik (analys och algebra). Alternativt examen på grundnivå om 180 hp varav 30 hp i matematik (analys och algebra) och 15 hp i datateknik/datavetenskap (som innehåller programmering). Dessutom krävs Engelska 6/Engelska B samt 7,5 hp på avancerad nivå i kurser som innehåller programmering eller matematisk statistik.

För ytterligare information se universitetets antagningsordning.

Tillgodoräknande av tidigare utbildning

Student som tidigare genomgått utbildning eller fullgjort annan verksamhet ska enligt högskoleförordningen tillgodoräknas detta som en del av den aktuella utbildningen under förutsättning att den tidigare utbildningen eller verksamheten uppfyller vissa krav.

För ytterligare information se universitetets lokala regler för tillgodoräknanden.

Övriga föreskrifter

Kursen ges på engelska.

Kurslitteratur och övriga läromedel

Delkurs 1: Maskininlärning, 7,5 högskolepoäng

Referenslitteratur

Bishop, Christopher M. (2007)
Pattern Recognition and Machine Learning
Springer, ISBN: 9780387310732, 758 sidor

Mitchell, Tom M. (1997)
Machine Learning
McGraw-Hill, ISBN: 9780071154673, 352 sidor

Ytterligare material kommer att utdelas under kursens gång.

Delkurs 2: Probabilistisk Robotik, 7,5 högskolepoäng

Obligatorisk litteratur

Thrun, Sebastian, Burgard, Wolfram och Fox, Dieter (2005)
Probabilistic Robotics
MIT Press, 647 sidor

Ytterligare material kommer att utdelas under kursens gång.