Datacentrisk artificiell intelligens, 6 hp
Data-centric Artificial Intelligence, 6 credits
726G03
Huvudområde
Inget huvudområdeUtbildningsnivå
GrundnivåKurstyp
Fristående- och programkursExaminator
Rita KovordanyiStudierektor eller motsvarande
Anders Fröberg| Kursen ges för | Termin | Veckor | Block | Språk | Ort/Campus | VOF | |
|---|---|---|---|---|---|---|---|
| Fristående kurs (Halvfart, Dagtid) | HT 2026 | 202645-202702 | 1 | Linköping, Valla | |||
| F7MIT | IT och management, masterprogram (Master) | 3 (HT 2026) | 202645-202702 | 1 | Linköping, Valla | V | |
| F7KSY | Systemvetenskap, kandidatprogram (Systemutveckling) | 5 (HT 2026) | 202645-202702 | 1 | Linköping, Valla | V | |
Huvudområde
Inget huvudområdeUtbildningsnivå
GrundnivåFördjupningsnivå
G1NKursen ges för
- Kandidatprogrammet i systemvetenskap
- Masterprogram i IT och management
Förkunskapskrav
Minst 10hp från programmeringskurser eller motsvarande
Kunskap i programmeringsspråk Python.[AR1] [AF2] [AF3] [AR4]
[AR1]Är Python inget krav? Vi ska erbjuda en 3hp Python kurs (med fokus på data bearbetning) på HT1 så är det inget problem att sätta den som krav.
[AF2]Det finns inget krav på TDP033 (tekfak kursen) , men den kursen är skapad för ett program där vi vet att de har det som krävs. Men Jag tror absolut Python (minst 3Hp samt kanske minst 10Hp övrig programmering ) ,
[AF3]@Aya Rizk Hur många poäng kommer SVP studenterna ha ?
Bara så vi inte säter en nivå som gör det omöjlig för dem att söka kursen.
[AR4]Denna kurs blir på termin 5 där vi har tröskelkrav på 95hp varav 2 programmeringskurser och datastrukturer och algoritmer har lästs
Lärandemål
Efter avslutad kurs ska den studerande kunna:
- redogöra för och tillämpa grundläggande begrepp inom datacentrisk artificiell intelligens
- redogöra för och systematiskt reflektera över tillämpbarheten av olika metoder inom datacentrisk artificiell intelligens för olika typer av inlärningsproblem
- använda befintliga verktyg för att konstruera, träna och analysera djupa neurala nätverksmodeller
- utveckla och anpassa kod för att förbearbeta, analysera och förbättra kvaliteten på datamängder
Kursinnehåll
Kursen ger grundläggande metodkunskap inom datacentrisk artificiell intelligens genom följande innehåll:
- Grundläggande begrepp inom artificiella neurala nätverk för djupinlärning
- Metoder och verktyg för konstruktion och anpassning, träning, och utvärdering av modeller (Python, Keras, Tensorflow, Colab)
- Datacentriska metoder för detaljerad felanalys av modeller och bakomliggande data
- Strukturerat arbetssätt för att hantera och korrigera (kurera) data
Undervisnings- och arbetsformer
Undervisningen består av föreläsningar, laborationer och projektarbete.
Utöver detta ska den studerande utöva självstudier.
Examination
Kursen examineras genom:
“laborationer”, betygsskala: UG
“projekt”, betygsskala: TH
För Godkänt slutbetyg krävs Godkänt på samtliga moment. Högre slutbetyg baseras på “projekt”. Detaljerad information återfinns i studieanvisningen.
"LAB1 och PRA1 genomförs i par, men examineras muntligt för att säkerställa att båda studenter har arbetat på projektet och kan redogöra för de lösningar som använts.
Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som. presenteras vid kursstart."
Om det finns särskilda skäl, och om det med hänsyn till det obligatoriska momentets karaktär är möjligt, får examinator besluta att ersätta det obligatoriska momentet med en annan likvärdig uppgift.
Om LiU: s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det.
Om koordinatorn har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.
Examinator får också besluta om anpassad examination eller alternativ examinationsform om examinator bedömer att det finns synnerliga skäl och examinator bedömer det möjligt utifrån kursens mål.
Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.
Den som godkänts i prov får ej delta i förnyat prov för högre betyg.
Betygsskala
,Övrig information
Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.
Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.
Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan.
Om undervisnings- och examinationsspråk:
Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:
- Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller helt eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
- Om undervisningsspråk är ”Engelska” ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
- Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.
Institution
Institutionen för datavetenskap| Kod | Benämning | Omfattning | Betygsskala |
|---|---|---|---|
| LAB1 | Laborationer | 3 hp | U, G |
| PRA1 | Projekt | 3 hp | U, 3, 4, 5 |
Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.
Det finns inga filer att visa.