ACIT4620 Computational Intelligence: Theory and Applications Course description

Computational Intelligence is concerned with modern, bio-inspired approaches to artificial intelligence (AI) and is an umbrella term for the fields of neural networks (NN), fuzzy systems (FS) and evolutionary computation (EC). This course offers a comprehensive and systematic introduction to the fundamental concepts, principles, and methods in the three fields, a part of machine learning and deep learning, and several advanced topics (neuro-fuzzy systems, neuro-evolution, or fuzzy clustering). The course will illustrate major CI concepts, principles and methods using various application examples in engineering, biomedicine and business. In addition, the overview, history, state-of-the-art, and future trends of AI and CI field will be covered. The main modules for lectures include:

• AI and CI: Overview and history
• Fundamentals of neural networks
• Introduction to deep learning
• Fuzzy sets, logic and systems
• Topics in evolutionary computation
• Advanced topics
• AI and CI: State-of-the-art and future

It is recommended that students have some background knowledge in:

1) mathematics: calculus, linear algebra, statistics and probability theory, and numeric optimization

2) programming language in Python, Matlab or R

3) machine learning and/or data mining.

Students are expected to have the following learning outcomes in terms of knowledge, skills and general competence.

Knowledge

On successful completion of the course, the students have:

• an overview on different perspectives, history and future of AI and Computational Intelligence (CI) fields.
• familiarity with the essential terminologies, concepts, ideas, elements and principles in the three pillar fields of CI.
• an in-depth understanding of state-of-the-art CI methods (fuzzy systems, neural networks, evolutionary computation, deep learning, and hybrid AI techniques).
• knowledge and understanding of open problems and future challenges and opportunities in the AI and CI field.

Skills

On successful completion of the course, the students can:

• determine when to use and deploy the CI methods learned for real-world applications.
• apply appropriate CI models and algorithms to address modeling and optimization problems in real-world applications.
• analyze complex and uncertain datasets with CI algorithms.

General competence

On successful completion of the course, the students can:

• program the CI models/algorithms.
• deploy CI systems/models in real-world applications.
• solve complex search, optimization or decision-making problems using evolutionary algorithms.

The course consists of lectures (theory), labs (practical exercises and computer simulations/experiments), group discussions, Q&As, as well as group projects. The group projects will be assigned from a list of the suggested topics/areas. The students will work in groups and finally submit the project report as well as the code.

Practical exercises: Lab and Q&A sessions.

The following two group assignments must be approved before the student can take the final exam:

• 1 - Group report and presentation: Group written report and oral presentation on the assigned topic.
• 2 - Group project proposal: A group project proposal (1000 - 1200 words) on the assigned topic, containing project description, the available dataset(s), method/algorithm to be employed, and references (including several most recent journal publications).

Godkjent av studieutvalget ved fakultet LUI 18. desember 2014 og etablert av fakultetsstyret 22. januar 2015. Revidert versjon godkjent av studieutvalget ved fakultet LUI 5. mars 2015. Redaksjonell endring foretatt 14. januar 2016 og 6. juli 2017. Revisjon godkjent på fullmakt av leder i utdanningsutvalget 19. desember 2019. Gjeldende fra vårsemesteret 2019. Revisjon godkjent i utdanningsutvalget 13 november 2023. Gjeldende fra høstsemesteret 2024.

Emnet Tolking i komplekse møter gir en videre praktisk-teoretisk innføring i tolkefaget. Emnet omhandler tolking i møter med flere deltakere og ulike språklige registre.

All aids are permitted for the group project, provided the rules for plagiarism and source referencing are complied with (Exam - Part 1).

For the closed-book, individual written exam (Exam - Part 2), students will work on a computer in an exam room (with invigilators), can use pen and a simple, non-programmable calculator, but will not have access to Internet, books, notes or other aids.

Grade scale: A-F.

Etter fullført emne har studenten følgende læringsutbytte definert som kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten

• har kunnskap om kontekster knyttet til møter som kan beskrives som komplekse, som for eksempel i rettsforhandlinger, tverrfaglige møter, barnevernssaker og andre møter av sensitiv art, eller møter der språklige registre som benyttes, varierer.
• har kunnskap om tolkens ansvar for tilrettelegging av tolkesituasjonen knyttet til praktiske, tekniske og metodiske muligheter og begrensninger i komplekse møter

Ferdigheter

Studenten

• kan ta kunnskapsbaserte valg av tolkemetoder tilpasset den kommunikative situasjonen og i tråd med yrkesetiske retningslinjer
• kan ta kunnskapsbaserte valg av tolketeknikker tilpasset den kommunikative situasjonen og i tråd med yrkesetiske retningslinjer
• kan ta kunnskapsbaserte valg av oversettelsesstrategier tilpasset den kommunikative situasjonen og i tråd med yrkesetiske retningslinjer
• kan evaluere egen tolking slik at studenten kan videreutvikle sine ferdigheter i tolking, samt videreutvikle sine tospråklige og kommunikative kompetanse

Generell kompetanse

Studenten

• kan gjøre rede for muligheter og begrensninger ved tolking i komplekse møter i teori og praksis
• kan vurdere etiske problemstillinger i tolking i komplekse møter

Professor Jianhua Zhang