Artificiell intelligens I
15.0 HPModul 1: Klassisk maskininlärning
Modulen introducerar grundläggande begrepp och terminologi inom artificiell intelligens och maskininlärning, med fokus på supervised learning (regressionsanalys, klassificering), unsupervised learning och reinforcement learning. Modulen går genom hela AI/ML-arbetsflödet systematiskt: datainsamling, förbearbetning, visualisering, modellering och utvärdering. Centralt i modulen är klassiska algoritmer som beslutsträd, random forest, k-nearest neighbors algorithm (KNN), linjära modeller, klustringsalgoritmer och emsemblemetoder. Studenten får lära sig metoder för att utvärdera modeller, korsvalidering och regularisering. Praktiska laborationspass med bibliotek som Scikit-learn ger möjlighet att implementera dessa modeller i syfte att lösa verkliga problem med olika datatyper. Modulen ger även studenten färdigheter att självständigt analysera datamängder, välja lämpliga algoritmer och implementera lösningar med standardverktyg för maskininlärning.
Modul 2: Djupinlärning och Generativ AI
Den här modulen fokuserar på teoretiska grunder och praktiska tillämpningar av djupinlärning. Centrala principer inkluderar neurala nätverksarkitekturer, universalapproximeringsatsen och optimering via gradient descent. Studenten lär sig använda populära modeller som konvolutionsnätverk (CNN), ResNets och generativa modeller (t.ex. autoencoders, språkmodeller). Modulen integrerar praktiska övningar med bibliotek som PyTorch för att anpassa och tillämpa förtränade modeller. Fokus ligger på optimeringstekniker som överföringsinlärning och dataugmentering, samt att utvärdera modellsprestanda med lämpliga mått. Modulen introducerar också grundläggande koncept inom generativ AI, såsom visuella modeller och språkmodeller.
Modulen introducerar grundläggande begrepp och terminologi inom artificiell intelligens och maskininlärning, med fokus på supervised learning (regressionsanalys, klassificering), unsupervised learning och reinforcement learning. Modulen går genom hela AI/ML-arbetsflödet systematiskt: datainsamling, förbearbetning, visualisering, modellering och utvärdering. Centralt i modulen är klassiska algoritmer som beslutsträd, random forest, k-nearest neighbors algorithm (KNN), linjära modeller, klustringsalgoritmer och emsemblemetoder. Studenten får lära sig metoder för att utvärdera modeller, korsvalidering och regularisering. Praktiska laborationspass med bibliotek som Scikit-learn ger möjlighet att implementera dessa modeller i syfte att lösa verkliga problem med olika datatyper. Modulen ger även studenten färdigheter att självständigt analysera datamängder, välja lämpliga algoritmer och implementera lösningar med standardverktyg för maskininlärning.
Modul 2: Djupinlärning och Generativ AI
Den här modulen fokuserar på teoretiska grunder och praktiska tillämpningar av djupinlärning. Centrala principer inkluderar neurala nätverksarkitekturer, universalapproximeringsatsen och optimering via gradient descent. Studenten lär sig använda populära modeller som konvolutionsnätverk (CNN), ResNets och generativa modeller (t.ex. autoencoders, språkmodeller). Modulen integrerar praktiska övningar med bibliotek som PyTorch för att anpassa och tillämpa förtränade modeller. Fokus ligger på optimeringstekniker som överföringsinlärning och dataugmentering, samt att utvärdera modellsprestanda med lämpliga mått. Modulen introducerar också grundläggande koncept inom generativ AI, såsom visuella modeller och språkmodeller.
Fördjupningsnivå:
G1N (har endast gymnasiala förkunskapskrav)
Utbildningsnivå:
Grundnivå
Behörighetskrav:
Varit registrerad på Programmering och datastrukturer 15 hp. Motsvarandebedömning kan göras.
Kursen ingår i följande program
Mer information
Choose occasion
Campus (Karlstad), 50%
Fler val
- Start Vårtermin 2026
- Studieform Campus (Karlstad)
- Språk Engelska
- Kurskod DVGA27
- Anmälningskod KAU-49003
- Studietakt 50% (Dag)
- Studieperiod vecka 4–23
- Schema Visa
- Litteraturlista Visa