1(4)
Kursplan
Institutionen för naturvetenskap och teknik
Datateknik, avancerad nivå, Forskningsmetoder för intelligenta
system, 30 högskolepoäng
Computer Science, Research Methodologies for Intelligent Systems,
Second Level, 30 Credits
Kurskod:
Huvudområde:
DT4041
Datateknik
Utbildningsnivå:
Inrättad:
Giltig fr.o.m.:
Avancerad nivå
2011-11-01
Höstterminen 2016
Utbildningsområde:
Högskolepoäng:
Ämnesgrupp (SCB):
Fördjupning:
Senast ändrad:
Beslutad av:
Tekniska området
30
Datateknik
A1N
2016-03-30
Prefekt
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
Den studerande ska efter avslutad kurs ha
- kännedom om de tekniker som behövs för att kunna analysera, designa och utveckla lärande
system och datamodellering
- kunskap om olika sensortyper som vanligen används på mobila robotar, samt förståelse för de
grundläggande principerna för hur olika sensortyper fungerar, och
- förståelse för sökproblem inom artificiell intelligens: förstå hur problemstruktur relaterar till ett
problems formella egenskaper, samt förstå de beräkningsmässiga flaskhalsarna hos olika
problemlösningsalgoritmer.
Färdighet och förmåga
Den studerande ska efter avslutad kurs kunna
- använda sig av maskininlärningsmetoder för att kunna uppnå inlärningsmålet för ett intelligent
system,
- formulera verkliga problem som sökproblem och skissa metoder för att lösa dem med hjälp av
oinformerad, heuristisk och begränsningsbaserad sökning, samt avgöra huruvuda ett givet problem
är lätthanterligt eller behöver exponentiell tid för att lösas automatiskt, och
- konfigurera, kalibrera och använda moderna sensorer för mobila robotar.
Värderingsförmåga och förhållningssätt
Den studerande ska efter avslutad kurs kunna
- bedöma relevanta vetenskapliga, samhälleliga och etiska aspekter av robotiktillämpningar och
visa medvetenhet om etiska aspekter av forskning och utveckling,
- värdera möjligheterna och begränsningarna av vetenskap, dess roll i samhället och människors
ansvar för hur den används, och
- resonera kring begränsningar och fördelar hos olika sensorer samt algoritmer för maskininlärning
och artificiell intelligens, givet en viss tillämpning.
2(4)
Kursens huvudsakliga innehåll
Kursen består av fyra delkurser
Delkurs I: Introduktion till robotik och intelligenta system, 7,5 högskolepoäng
- akademiskt läsande och skrivande
- robotprogrammering och middleware
- etik inom robotik och dess tillämpningar
- sannolikhetsteori och tillståndsskattning
- datavetenskapens grunder från ett robotikperspektiv
- aktuatorer och sensorer
- robotikens historia.
Delkurs II: Avancerad artificiell intelligens, 7,5 högskolepoäng
- introduktion till intelligenta agenter
- problemlösning och sökning: oinformerade och informerade strategier
- villkorsresonemang, sökning med backning
- Boolesk satisfierbarhet, DPLL-algoritmen.
Delkurs III: Sensorer, 7,5 högskolepoäng
- sensorers roll inom probabilistisk robotik
- positioneringssensorer: pulsgivare och accelerometrar
- avståndsmätare: sonar, radar och lidar
- bildsensorer: kameror
- globala positioneringssensorer: GPS och lokaliseringssystem för inomhusbruk
- 3D-avståndsmätare: ToF, structured light och stereokameror
- kemiska sensorer
- kalibrering
- brusmodellering och -karaktärisering
- brusfiltrering och sensordatabehandling.
Delkurs IV: Senaste metoder inom datamodellering och maskininlärning, 7,5 högskolepoäng
- övervakade och oövervakade algoritmer för klassificering, prediktion och klustring
- manuell och automatisk feature-utformning
- metoder för dimensionsreduktion och feature-urval
- praktiska rekommendationer för tillämpning av maskininlärningsalgoritmer
- träning och klassificering av neuronnätverk
- Bayesiansk inlärning och rekommendationssystem.
Studieformer
Introduktion till robotik och intelligenta system: seminarier, föreläsningar och praktiska övningar.
Avancerad artificiell intelligens: föreläsningar.
Sensorer: föreläsningar och obligatoriska laborationer.
Senaste metoder inom datamodellering och maskininlärning: föreläsningar, laborationer och
seminarier.
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
Introduktion till robotik och intelligenta system, 7,5 högskolepoäng. (Provkod: 1000)
Redovisning av laborationsövningar.
Avancerad artificiell intelligens, 7,5 högskolepoäng. (Provkod: 0700)
Salstentamen.
Sensorer, Teori, 3 högskolepoäng. (Provkod: 3000)
Salstentamen.
Sensorer, Laborationer, 4,5 högskolepoäng. (Provkod: 0310)
Skriftlig redovisning av laborationer.
3(4)
Senaste metoder inom datamodel. och maskininl., Laborationer, 4,5 högskolepoäng. (Provkod: 6000)
Skriftlig rapport för laborationsövningar.
Senaste metoder inom datamodel. och maskininl., Seminarier, 3 högskolepoäng. (Provkod: 7000)
Muntliga presentationer på seminarier.
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
2010-10-19, dnr CF 12-540/2010) 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).
Introduktion till robotik och intelligenta system
Som betyg används Underkänd (U), Godkänd (G) eller Väl Godkänd (VG).
Avancerad artificiell intelligens
Som betyg används Underkänd (U), Godkänd (G) eller Väl Godkänd (VG).
Sensorer, Teori
Som betyg används Underkänd (U) eller Godkänd (G).
Sensorer, Laborationer
Som betyg används Underkänd (U), Godkänd (G) eller Väl Godkänd (VG).
Senaste metoder inom datamodel. och maskininl., Laborationer
Som betyg används Underkänd (U), Godkänd (G) eller Väl Godkänd (VG).
Senaste metoder inom datamodel. och maskininl., Seminarier
Som betyg används Underkänd (U) eller Godkänd (G).
För att få hela kursen godkänd måste alla delkurser vara godkända. Slutbetyget bestäms som
medelvärde avrundat nedåt av alla delbetyg från delkurserna. Som betyg används Underkänd (U),
Godkänd (G) och Väl Godkänd (VG).
Omtentamen infaller inom elva veckor efter ordinarie tentamen.
ECTS-betyg
Kursens betyg översätts till ECTS-betygsskalan.
För ytterligare information se universitetets regler för examination inom utbildning på grundnivå
och avancerad nivå.
Särskild behörighet och andra villkor
Avlagd examen om minst 180 högskolepoäng eller motsvarande. Examen skall innehålla kurser i
matematik: analys och algebra samt datateknik: programmering, algoritmer, och datastrukturer.
Dessutom krävs kunskaper motsvarande Engelska B från gymnasieskolan.
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.
4(4)
Övriga föreskrifter
All undervisning sker på engelska.
Kurslitteratur och övriga läromedel
Delkurs 1: Referenslitteratur
Bruno Siciliano, Oussama Khatib (eds.) (2008)
Springer handbook of robotics
Springer, 1611 sidor
Lin, Patrick; Abney, Keith; Bekey, George A. (2012)
Robot ethics: the ethical and social implications of robotics
ISBN: 9780262298636
Delkurs 2: Obligatorisk litteratur
Ghallab Malik, Nau Dana, Traverso Paolo (2004)
Automated Planning Theory and Practice
Elsevier, ISBN 9781558608566, 635 sidor
Delkurs 2: Referenslitteratur
Dechter, Rina (2003)
Constraint Processing The Morgan Kaufmann Series in Artificial Intelligence
Elsevier Science, ISBN: 0080502954, 9780080502953, 480 sidor
Russell, Stuart and Norvig, Peter 2010, (Third Edition)
Artificial Intelligence, A modern Approach Prentice Hall
Prentice Hall, ISBN: 0136042597, 9780136042594, 1132 sidor
Delkurs 3: Referenslitteratur
de Silva, C. W. (2015)
Sensors and Actuators: Engineering System Instrumentation, Second Edition
CRC Press, ISBN: 9781466506817, 847 sidor
Stoyanov, T. (2016)
Sensors and Sensing: Course Notes
online: http://www.aass.oru.se/Research/mro/courses/sens/notes.pdf
Delkurs 4: Referenslitteratur
Bishop, Christopher M. (2007)
Pattern Recognition and Machine Learning
Springer, 758 sidor
Mitchell, Tom M. (1997)
Machine Learning
McGraw-Hill, 352 sidor
Tillägg och kommentarer till litteraturlistan
Ytterligare material utdelas under kursens gång.
Additional material is handed out during the course.
