Introduktion till Data science och AI
Om utbildningen
Under kursens gÃ¥ng kommer ett brett urval av metoder för Data 91̽»¨ 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 tillämpningarinom data science och AI (t ex naive Bayes klassiciering, ämnesmodeller (topic models) av text, och dolda Markovmodeller för sekvensdata)
Artificiell Intelligens
- Introduktion till klassisk AI och maskininlärning, inklusive förhållandet tillrelaterade områden såsom algoritmer och optimering, och AI-filosofi.
- Exempel på metoder och tillämpningar inom såväl klassisk AI (t ex kunskapsrepresentation och heuristisk sökning) som ML (t ex neurala nätverk, beslutsträd, reinforcement learning).
- Diskussion kring etik och samhällspåverkan av AI.
µþ±ð³óö°ù¾±²µ³ó±ð³Ùer och urval
µþ±ð³óö°ù¾±²µ³ó±ð³Ù
För att vara behörig till kursen ska studenten ha:
- 7,5 hp i grundläggande matematik (innehållande exempelvis analys, linjär algebra och/eller diskret matematik) eller i tillämpad matematiskt tänkande (DIT025 eller motsvarande)
- 7,5 hp i matematisk statistik (exempelvis MSG810 eller DIT862 eller DIT278 eller motsvarande), eller kursen DIT022.
- 7,5 hp i programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python/Haskell eller liknande).
Följande kunskapsnivå i Engelska krävs; Engelska 6/Engelska B eller motsvarande från ett erkänt internationellt test, t.ex. TOELF, IELTS.
Urval
Högskolepoäng, max 165 hp
