Københavns Erhvervsakademi

en

Applied Artificial Intelligence

2024/2025
Engelsk titel
Applied Artificial Intelligence
Uddannelse
Software udvikling
Uddannelsestype
Fuldtidsuddannelse
Niveau
Professionsbachelor (top-up)
Fagets/modulets varighed
1 semester
Ects
10
Udd. element
Valgfag
Sprog
Dansk
Opstart
Efterår
Forår
Studiested
Håndværkergården, København N
Fagkode
9942257
Fag- /modulansvarlig
Henrik Strøm
Arturo Mora Rioja
  • Formål og læringsmål

    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.

    Viden

    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

    Færdigheder

    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

    Kompetencer

    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

  • Undervisningsform
    Undervisningen tager udgangspunkt i Problem Based Learning. De studerende skal således anvende viden fra klasseundervisningen i projektarbejde, og på egen hånd tilegne sig yderligere viden og erfaring. De studerende er aldrig overladt til sig selv, da underviseren indtræder i en vejlederrolle i projektarbejdet.
  • Forudsætninger for at deltage i faget

    Materielle forudsætninger for at deltage i faget
    Windows PC, Mac eller Linux
    - min 8 GB RAM (16 GB RAM er at foretrække)
    - 200 GB ledig disk
    - CPU med virtualiseringshardware. Haves I de fleste moderne CPU’er.
    - 15,6” skærm eller større anbefales

  • Prøve

    Læringsmålene for prøven er identiske med fagets/fagenes læringsmål

    Forudsætninger for indstilling til eksamen
    Obligatoriske opgaver 1 og 2 bestod.
    Faget prøves
    Faget/modulet prøves selvstændigt
    10 min. individuel præsentation af projekt, 15 min. eksamination af projekt og kursusmaterialet.
    Prøveform
    Kombineret skriftlig og mundtlig prøve
    Eksamen er individuel, men projektrapport og produkt kan udarbejdes i gruppe.
    Formkrav
    Der skal afleveres en max 5 side i punktform. Siden skal indeholde relevante emner, som man regner med at præsentere til eksamen.

    Det er muligt at foretage ændringer til disse emner til den mundtlige eksamen.

    Nærmere indhold vil blive præsenteret af underviseren.
    Individuel eller gruppeprøve
    Individuel
    Anvendt sprog til prøven
    Dansk (Norsk/Svensk)
    Varighed
    Præsentation - max 10 min.
    Examinering - max. 15 min.
    Vurdering - 5 min.
    I alt - 30 min.
    Hjælpemidler der må medbringes
    Computer
    Hjælpemidler som stilles til rådighed
    Projektor
    Bedømmelsesform
    7-trins skala
    Bedømmer(e)
    Intern censur
  • Foreløbig litteratur
    Dette er en foreløbig litteraturliste. Der udleveres en endelig litteraturliste i forbindelse med studiestart.
    Kursusmateriale tilgængeligt for de studerende via Internet.
  • Yderligere information
    Valgfaget kan ikke køres i nogle semester (f.eks., hvis ikke nok studerende vælger det).

    Nogle klasser kan være online.
80
timers undervisning
194
timers forberedelse
Tallene viser omfanget af arbejdsbelastningen relateret til faget fordelt på forskellige studieaktiviteter.

På faget Applied Artificial Intelligence modtager du 80 timers undervisning, hvilket svarer til 106 lektioner (1 lektion = 45 min.) og 29% af din samlede arbejdsbelastning på faget.

Undervisningen vil primært bestå af følgende aktiviteter: klasseundervisning, projektarbejde, peer-review, gruppearbejde, Onlineundervisning.
Forberedelsen vil primært bestå af følgende aktiviteter: projektarbejde, informationssøgning, læsning af egne noter, læsning af pensum.

Læs om KEAs studieaktivitetsmodel

*KEA kan fravige det angivne timetal, hvis det er begrundet i særlige forhold.