Efter avslutad kurs ska studenten visa förmångan att:
Visa förståelse för de grundläggande metoderna och teorierna inom artificiell intelligens och mönsterigenkänning
Välja lämpliga metoder för givna problem inom detta område
Tillämpa de inlärda metoderna på nya användningsfall
Kritiskt utvärdera och jämföra olika AI-modeller och inlärningsalgoritmer för olika probleminställningar och kvalitetsegenskaper
Kursinnehåll
Denna kurs går djupare in i teorin och den matematiska metodiken för subsymboliska AI-metoder för både maskininlärning och mönsterigenkänning.
Följande är de ämnen som kommer att behandlas i den här kursen:
Vad är AI i allmänhet, dess historia och de viktigaste områdena som omfattas av AI.
Grunderna i standardtekniker för maskininlärning och mönsterigenkänning såsom: Övervakad Instansbaserad inlärning: KNN och SVM Utbildningsbaserat lärande: NN Beslutsbaserat lärande: Beslutsträd Ensembleinlärning: bagging och boosting Oövervakad (K-medel, DBScan och hierarkisk). AI och robotik
Etik och AI
Förutsättningar
Grundläggande behörighet
Litteratur
Deep Learning. I. Goodfellow, Y. Bengio and A. Courville, MIT Press, 2016; http://www.deeplearningbook.org Introduction to machine learning “fourth edition” by Ethem Alpaydin, 2020