Formålet med dette valgfag er at give den studerende praktiske kundskaber i kunstig
intelligens, maskinlæring og data science til at løse en række problemstillinger der ikke
kan løses med traditionel softwareudvikling.

Den studerende vil opnå viden om nogle af de vigtigste problemområder i kunstig intelligens:
• deep learning
• supervised learning: classification, regression
• unsupervised learning: cluster analysis, anomaly detection, prototype/archetype analysis
• reinforcement learning: Q-learning og Deep Q-Learning
• anvendelse af passende performance metrics

Den studenrende kan forstå og reflektere på spørgsmål som:
• hvad er kunstig intelligens
• hvilke problemer kan løses med kunstig intelligens, og hvilke modeller bør anvendes i den enkelte situation

Den studerende vil udvikle færdigheder til at:
• løse praktiske problemstillinger ved anvendelse af modeller fra kunstig intelligens og maskinlæring
• identificere og implementere de mest anvendelige modeller
• klargøre data til anvendelse i maskinlærningsmodeller
• optimere modeller og løse problemer som overfitting og underfitting
• anvende performance metrics til analyse af modeller
• kommunikere resultater efter videnskabelige standarder

Den studerende vil lære at:
• udarbejde løsninger baseret på kunstig intelligens der løser problemer der ikke kan løses med traditionel softwareudvikling
• anvende den videnskabelige metode til systematisk at finde løsninger
• formulering af forskningsspørgsmål, hypoteser og nul-hypoteser
• finde og anvende videnskabelige artikler til læring og underbyggelse af egne resultater