Artificiell intelligens II
15.0 HPModul 1
Denna modul bygger vidare på grunderna från Artificiell intelligens I och introducerar avancerade metoder inom maskininlärning. Modulen omfattar stokastiska och probabilistiska ML-tekniker, djup förstärkningsinlärning inklusive deep Q-learning och policybaserade metoder, samt tillhörande arkitekturer. Avancerade neurala nätverksarkitekturer såsom LSTM, RNN, transformers och diffusionsmodeller studeras.
Modulen introducerar även de teoretiska principerna för modern generativ AI, inklusive stora språkmodeller och multimodala modeller. Studenterna lär sig att kritiskt värdera AI-modeller med hjälp av lämpliga mätvärden och utvärderingsmetoder, samt att välja lämpliga modeller för olika tillämpningsområden.
Modul 2
Denna modul fokuserar på de praktiska utmaningarna vid träning, finjustering och driftsättning av avancerade AI-modeller i stor skala. Studenterna studerar optimeringstekniker såsom kvantisering och effektiva finjusteringstekniker såsom LoRA och prompt-tuning. Modulen omfattar anpassning av storskaliga förtränade modeller till domänspecifika uppgifter, inklusive instruktionsjustering (instruction tuning), preferensoptimering (t.ex. RLHF, DPO) och retrieval-augmented generation (RAG). Studenterna utforskar tillämpade AI-system som integrerar modellkapabiliteter med externa verktyg, minnesmekanismer och retrieval-pipelines.
Studenterna får erfarenhet av att implementera dessa metoder med hjälp av ramverk som PyTorch.
Modulen avslutas med en kritisk granskning av AI:s etiska och samhälleliga implikationer, vilket omfattar ämnen som bias och rättvisa, transparens och förklarbarhet, immateriella rättigheter, miljöpåverkan, AI-alignment och ansvarsfull AI-utveckling. Dessa diskussioner grundas i de system och tekniker som utvecklats under modulens gång.
Denna modul bygger vidare på grunderna från Artificiell intelligens I och introducerar avancerade metoder inom maskininlärning. Modulen omfattar stokastiska och probabilistiska ML-tekniker, djup förstärkningsinlärning inklusive deep Q-learning och policybaserade metoder, samt tillhörande arkitekturer. Avancerade neurala nätverksarkitekturer såsom LSTM, RNN, transformers och diffusionsmodeller studeras.
Modulen introducerar även de teoretiska principerna för modern generativ AI, inklusive stora språkmodeller och multimodala modeller. Studenterna lär sig att kritiskt värdera AI-modeller med hjälp av lämpliga mätvärden och utvärderingsmetoder, samt att välja lämpliga modeller för olika tillämpningsområden.
Modul 2
Denna modul fokuserar på de praktiska utmaningarna vid träning, finjustering och driftsättning av avancerade AI-modeller i stor skala. Studenterna studerar optimeringstekniker såsom kvantisering och effektiva finjusteringstekniker såsom LoRA och prompt-tuning. Modulen omfattar anpassning av storskaliga förtränade modeller till domänspecifika uppgifter, inklusive instruktionsjustering (instruction tuning), preferensoptimering (t.ex. RLHF, DPO) och retrieval-augmented generation (RAG). Studenterna utforskar tillämpade AI-system som integrerar modellkapabiliteter med externa verktyg, minnesmekanismer och retrieval-pipelines.
Studenterna får erfarenhet av att implementera dessa metoder med hjälp av ramverk som PyTorch.
Modulen avslutas med en kritisk granskning av AI:s etiska och samhälleliga implikationer, vilket omfattar ämnen som bias och rättvisa, transparens och förklarbarhet, immateriella rättigheter, miljöpåverkan, AI-alignment och ansvarsfull AI-utveckling. Dessa diskussioner grundas i de system och tekniker som utvecklats under modulens gång.
Fördjupningsnivå:
G2F (har minst 60 hp kurs/er på grundnivå som förkunskapskrav)
Utbildningsnivå:
Grundnivå
Behörighetskrav:
Artificiell intelligens I (DVGA27), 15 hp, eller motsvarande kunskaper i klassisk maskininlärning och grundläggande djupinlärning.
Kursen ingår i följande program
Choose occasion
Campus (Karlstad), 50%
Fler val
- Start Vårtermin 2027
- Studieform Campus (Karlstad)
- Språk Engelska
- Kurskod DVGB22
- Anmälningskod KAU-55578
- Studietakt 50% (Dag)
- Studieperiod vecka 3–22
- Schema Visa
- Litteraturlista Visa