DAT405 · Chalmers tekniska högskola
Introduktion till data science och AI
Ny kurs
Inga tentor än
Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial
Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg
HP
4
Språk
Engelska
Institution
Data- och informationsteknik
Lärandemål
Efter godkänd kurs ska studenten kunna
- Kunskap och förståelse
- beskriva grundläggande problemtyper och tillvägagångssätt inom data science och AI, ge exempel på tillämpningar av data science och AI från olika sammanhangge exempel på hur stokastiska modeller och maskininlärning (ML) tillämpas inom data science och AIförklara grundläggande begrepp inom klassisk AI, och förhållandet mellan logiska och datadrivna, ML-baserade tillvägagångssätt inom AIkortfattat beskriva den historiska utvecklingen av AI, vad som är möjligt idag och diskutera möjliga framtida utvecklingenFärdigheter och förmåga
- använda lämpliga programmeringsbibliotek och tekniker för att implementera grundläggande transformationer, visualiseringar och analyser av exempeldataidentifiera lämpliga typer av analysproblem för några konkreta data science-tillämpningarimplementera några typer av stokastiska modeller och tillämpa dem inom data science och AI tillämpningarimplementera och/eller använda AI-verktyg för sökning, planering och problemlösningtillämpa enkla maskininlärningsmetoder implementerade i ett standardbibliotek
- Värderingsförmåga och förhållningssätt
- motivera vilka typer av statistiska metoder som är lämpliga for de vanligaste typerna av experiment inom data science tillämpningar diskutera fördelar och nackdelar hos olika typer av tillvägagångssätt och modeller inom data science och AIreflektera över inneboende begränsningar hos data science metoder och hur felanvändandet av statistiska tekniker kan leda till tvivelaktiga slutsatserkritiskt analysera och diskutera data science och AI tillämpningar med avseende på etik, sekretess och samhällspåverkanuppvisa en reflekterande attityd i all inlärning
Kursinnehåll
Under kursens gång kommer ett brett urval av metoder för Data Science och AI att presenteras. Kursen delas in i tre delar: Introduktion till data science Implementation av data science-lösningar med hjälp av Python, grundläggande data-analys och visualisering.Introduktion av data science-processen, och lämplig metodik.Exempel på kärnmetoder inom data science med fallstudier såsom inom klustring, klassificering och regression.Data science satt i sitt sammanhang med avseende på etik, gällande bestämmelser och begränsnigar. Statistiska metoder för data science och AI Introduktion till några vanliga stokastiska modeller med exempel på tillämpningar inom data science och AI (exempelvis naive Bayes klassiciering, ämnesmodeller (topic models) av text, och dolda Markovmodeller för sekvensdata) Artificiell Intelligens Introduktion till klassisk AI och maskininlärning, inklusive förhållandet till relaterade områden såsom algoritmer och optimering, och AI-filosofi.Exempel på metoder och tillämpningar inom AI, i klassisk AI (sökning under bivillkor (search and constraint satisfaction), och ML-baserat (sökmotorer, naiv Bayes och neurala nätverk).Diskussion kring etik och samhällspåverkan av AI.
Förutsättningar
- Grundläggande behörighet för grundnivå
Litteratur
Saknas
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis