ACIT4620 Computational Intelligence: Theory and Applications Emneplan

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.

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

Kunnskap

Studenten

• har faglig kunnskap om tekstanalyse og bruk av teori innen kvalitativ samfunnsvitenskapelig metode
• har faglig kunnskap om sentrale vitenskapsteoretiske spørsmål innen samfunnsvitenskapene

Ferdigheter

Studenten

• kan drøfte kritisk metodiske og metodologiske tilnærminger til utviklingsstudier
• har forståelse av etiske utfordringer som ligger i studiet av ulike samfunnsformer og kulturer

Generell kompetanse

Studenten

• kan velge ut og bruke relevant fordypningsstoff fra faglitteratur og foreliggende data til et selvstendig arbeid med selvvalgt faglig tema
• kan gi en skriftlig framstilling av et samfunnsproblem basert på samfunnsvitenskapelig metode

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

  Kunnskap

  Studenten

• har faglig kunnskap om tekstanalyse og bruk av teori innen kvalitativ samfunnsvitenskapelig metode
• har faglig kunnskap om sentrale vitenskapsteoretiske spørsmål innen samfunnsvitenskapene

• Ferdigheter

  Studenten

• kan drøfte kritisk metodiske og metodologiske tilnærminger til utviklingsstudier
• har forståelse av etiske utfordringer som ligger i studiet av ulike samfunnsformer og kulturer

• Generell kompetanse

  Studenten

• kan velge ut og bruke relevant fordypningsstoff fra faglitteratur og foreliggende data til et selvstendig arbeid med selvvalgt faglig tema
• kan gi en skriftlig framstilling av et samfunnsproblem basert på samfunnsvitenskapelig metode

Forelesninger om vitenskapsteori, metode og verktøy av direkte relevans for utvikling av, forskning og skriving av bacheloroppgaven

Det arrangeres en seminarrekke der studentene utvikler sine bacheloroppgave-prosjekter først fram mot en idéskisse, og deretter til en mer gjennomarbeidet prosjektbeskrivelse.

Studentene skal skrive en selvvalgt, individuell bachelor-/semesteroppgave, der problemstillingen godkjennes av faglærer. Oppgaven skal være forankret i en forståelse av teorier om utvikling, globalisering eller sosial endring som anvendes for en analyse og kritisk drøfting av et utvalgt tema. Det gis individuell veiledning i skriveperioden. Oppgaven skal være på 8 000 ord (+/-10 %). Nærmere opplysninger om innhold og format vil bli gitt. Oppgaven skal leveres elektronisk innen en gitt frist.

Avsluttende vurdering:

Individuell bachelor-/semesteroppgave (8 000 ord +/- 10 %).

Ny/utsatt eksamen

Bachelor-/semesteroppgaven kan omarbeides én gang ved ny eksamen. Studentens rettigheter og plikter ved ny/utsatt eksamen framgår av forskrift om studier og eksamen ved OsloMet. Studenter er selv ansvarlige for å melde seg opp til eventuell ny/utsatt eksamen.

Alle hjelpemidler er tillatt, så lenge regler for kildehenvisning følges.

Bachelor-/semesteroppgave gis bokstavkarakterer med A som beste og E som dårligste karakter på bestått eksamen. F brukes ved ikke bestått eksamen.

Emnet kan tas av studenter med minst 120 studiepoeng, hvorav minimum 90 studiepoeng i utviklingsstudier og minst 30 av disse må være på påbyggingsnivå.

Emnet dekker følgende hovedtemaer:

• Tekstanalyse
• Vitenskapsteori og kvalitativ metode
• Utarbeiding av en teorifundert bacheloroppgave anvendt på en utviklingsfaglig problemstilling med datainnsamling basert på sekundærkilder.