Fördjupad kursbeskrivning - Utvecklare till AI och maskininlärning by IT-Högskolan

Fördjupade kursplaner - Utvecklare inom AI och maskininlärning Databaser Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 25p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen behandlar kommunikation med och administration av relationsdatabaser genom både ett databashanteringsverktyg och en databasanslutning via Python. Under kursen kommer stort fokus ligga på användning av query-språket SQL. Kursen täcker också grundläggande säkerhetskoncept, relationsmodellen, informationsstrukturering, transaktioner samt lagrings- och åtkomstmetoder. Utöver relationsdatabaser kommer kursen även kort behandla andra typer av databaser (t.ex. noSQL) och verktyg som Elasticsearch. Kursens mål är att den studerande ska kunna skapa och köra effektiva queries i SQL ämnade för dataanalys, samt konfigurera och tillämpa en databasanslutning både via ett databashanteringsverktyg och Python. Kursens syfte är att ge den studerande de kunskaper, färdigheter och kompetenser som krävs inom databaser och SQL för att kunna ansluta, inhämta och analysera data lagrat i relationsdatabaser. Kursens mål Kunskaper • Uppbyggnad, struktur och funktion hos relationsdatabaser • Grunder och syntax inom SQL • Grundläggande säkerhet för databaser • Informationsstrukturering • Andra vanliga typer av databaser på en orienterande nivå • Typisk programstruktur för anslutning mot databaser via Python samt vanliga paket • Databashanteringsverktyg Färdigheter • • • • •

Utföra vanliga databasoperationer Sätta upp en databas med views, index och constraints Skapa och köra SQL queries mot en databas Identifiera sårbarheter och brister i databaser Ansluta en databas från Python.

Kompetenser • •

Självständigt sätta upp och nyttja en databasanslutning via databashanteraringsverktyg samt via en Pythonapplikation Självständigt kunna ta fram statistiska samband från en databas med hjälp av SQL

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom laboration och tenta.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet sätta upp och nyttja en databasanslutning via Pythonapplikation • Med säkerhet strukturera upp verklig data på ett logiskt sätt i en databas • Med säkerhet välja rätt databastyp för rätt situation

Databehandling Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 25p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen behandlar typiska tekniker för datautforskning och databehandling, även kallat data mining. Kursen kommer täcka datakombinering och -aggregering, hantering av saknad data, dimensionsreducering samt “datastädning”. Under kursens gång kommer exempel och övningar att utföras med Pythonpaketet Pandas. Kursen kommer även behandla begrepp som KPIer, anonymisering av data (främst för GDPR), samt grundläggande datasäkerhet. Målen med kursen är att den studerande ska kunna hantera, behandla och “städa” data samt utföra datatransformationer, lära sig metoder och tekniker för datautforskning och dataanalys och lära sig grunderna i Pythonpaketet Pandas. Kursen syftar till att ge studerande de verktyg för datautforskning och databehandling som är nödvändiga för att analysera data, dra slutsatser från data samt nyttja data för maskininlärning. Kursens mål Kunskaper • • • • •

Grunder och syntax för Pandas Grundläggande kännedom om GDPR och säkerhet gällande dataförvaring Datakombinering och -aggregering Dimensionsreduceringstekniker Vanliga dataformat (som csv, xml, json, yaml)

Färdigheter • • • •

Städa, aggregera, extrahera metadata och statistiska värden om data Hantera och identifiera saknad eller felaktig data Utföra dimensionsreducering Med vägledning kunna identifiera och definiera KPIer

Kompetenser • • •

Självständigt kunna ta fram relevanta statistiska mått, extrahera nyckelvärden ur data samt kunna identifiera och analysera trender Självständigt kunna utföra en utforskande dataanalys och dra slutsatser kring data i en verksamhet Kunna hantera data på ett sätt som följer regler, praxis och etablerade arbetssätt rörande säkerhet och lagar (t.ex. GDPR) samt kunna bidra till att identifiera säkerhetsbrister i en datahanteringsprocess

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet använda Pandas för databehandling och dataanalys • Med säkerhet ta fram nyckeltal, statistiska mått för att analysera data • Använda effektiva metoder i Pandas för prestandaoptimering vid behov

Djup maskininlärning Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 40p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen börjar med en djupdykning i artificiella neurala nätverk (ANN) och användbara regulariseringstekniker. Kursen går sedan in på arkitekturer hos nätverk som behandlar bilder och tidsserier. Kursen täcker även grundläggande tekniker för natural language processing (NLP), hyperparameteroptimering och transfer learning. Under kursen kommer Tensorflow att användas för att lösa uppgifter och exempel. Kursens mål är att studerande ska lära sig de teoretiska och praktiska grunderna som krävs för att tillämpa djupa neurala nätverk för att lösa problem. Studerande ska kunna tillämpa metoder för regularisering och hyperparameteroptimering för att förbättra modeller samt kunna utvärdera och jämföra olika AI-lösningar. Kursen syftar till att studerande ska förstå, skapa och tillämpa modeller inom djup maskininlärning, samt ge studerande verktyg för att felsöka, förbättra och kritiskt granska AI-lösningar. Kursens mål Kunskaper • • • • • • • •

Djupa neurala nätverk, vilket inkluderar bakåtpropagering, aktiveringsfunktioner och lossfunktioner Regulariseringstekniker Hyperparameteroptimering Transfer learning Faltande neurala nätverk (CNN) och återkopplande neurala nätverk (RNN) Natural Language Processing (NLP) Grunderna om Generative Adversarial Networks (GAN) samt Reinforcement Learning (RL). Verktyget Tensorflow

Färdigheter • • • • •

Skapa egna djupa neurala nätverk och nyttja dem för träning och inferens Tillämpa metoder för att felsöka modeller, t.ex. genom visualisering eller testning Tillämpa tekniker för regularisering, hyperparameteroptimering och transfer learning Evaluera och utvärdera AI-lösningar Tillämpa transfer learning på djupa neurala nätverk

Kompetenser • • •

Självständigt komponera egna djupa neurala nätverk med Tensorflow, och använda dem för träning och inferens Självständigt felsöka, förändra och förbättra AI-modeller, samt utföra en utvärdering av metod och modell Självständigt kunna anpassa färdigtränade modeller till att lösa nya problem genom att tillämpa transfer learning

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom laboration och projekt med redovisning i grupp och projektrapport i grupp. Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet välja rätt inlärningsalgoritm för rätt situation • Systematiskt testa för att optimera olika slags hyperparametrar

Examensarbete Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 15p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Under kursen kommer studerande få möjlighet att bevisa sin kompetens inom området. Kursen är tätt kopplad till LIA 2 och utvecklingsprojektet kan ske i samråd med LIA-platsen och dess handledare, vilket ger en naturlig koppling till riktiga verksamhets- och kundbehov i näringslivet. Kursens mål är att studerande ska få specialiserade kunskaper i ett ämne inom yrkesrollen de studerande själv valt att fördjupa sig i, kunna planera och genomföra ett projekt, lära sig sammanställa, analysera och rapportera resultat i skriftlig och muntlig form. Studerande ska även kunna kritiskt granska och opponera på en annan studerandes arbete och lämna saklig kritik. Kursens syfte är att ge studerande möjlighet att visa upp de kunskaper, färdigheter och kompetenser som erhållits under utbildningen i ett värdeskapande och aktuellt projekt. Kursen syftar också till att ge studerande kompetens att skriva och läsa tekniska rapporter. Kursens mål Kunskaper • • • •

Specifik bransch och hur AI kan användas som stöd för problemlösning Att bearbeta data och dra eventuella slutsatser med hjälp av olika AI-relaterade verktyg Begränsningar och möjligheter med olika AI-relaterade lösningar Visuell presentationsteknik

Färdigheter • • • •

Arbeta självständigt och projektorienterat Planera, genomföra, dokumentera och presentera sitt examensarbete Applicera och använda sig av branschrelevanta kunskaper Opponera på ett annat examensarbete

Kompetenser • • •

Analysera nyttan med AI-projektet för verksamheten Självständigt planera, genomföra och rapportera ett AI-utvecklingsprojekt efter önskemål eller som lösning på ett existerande problem Självständigt opponera på och kritiskt granska andras arbeten samt ge konstruktiv och saklig kritik

Läromedel

Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom ett skriftligt examensarbete på högst 15 sidor, en muntlig redovisning samt opponering.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Planera, genomföra och rapportera ett AI-utvecklingsprojekt efter önskemål eller som lösning på ett existerande problem samt visa förmåga att analysera och föreslå förbättringar • Självständigt och med säkerhet behandla teoretisk och praktisk AI-utveckling som leder vidare till lärande och professionell utveckling

Introduktionskurs till AI Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 5p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen introducerar området, behandlar nyckelbegrepp och ger en överblick över vad AI är. Kursen kommer även behandla hur fältet utvecklats historiskt, hur det påverkar vår vardag idag och var det är på väg i framtiden. Inom vilka områden kan AI appliceras och på vilket sätt går det att nyttja AI för att lösa olika problem. Målet med kursen är att den studerande ska ha en förståelse för vad AI är och inte är, samt förstå vilka utmaningar och möjligheter det finns med AI. Kursens syfte är att introducera tankesätt och färdigheter som krävs för utveckling inom AI samt ge en överblick över området och hur det kan användas i olika sammanhang. Kursens mål Kunskaper • • • •

Grundläggande begrepp inom området Var AI används idag och hur det påverkar vår vardag Områdets historia och utveckling Ha en verklighetsförankrad uppfattning om vad som är möjligt att åstadkomma med AI idag

Färdigheter • •

Kunna förstå och dra egna slutsatser kring hur AI används idag Kunna redogöra för de utmaningar och möjligheter som finns med tekniken idag och framåt

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom seminarium och rapport (frivillig).

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG)

Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet redogöra för arbetsflöden för maskininlärning från datainsamling till applikation

LIA 1 Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 40p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll I kursen kommer den studerande få möjligheter att tillämpa de förvärvade kunskaper och färdigheter från första delen av utbildningen i näringslivet. På LIA-platsen ska den studerande aktivt delta i arbetet och bidra till verksamheten. Kursen innefattar också en skriftlig rapport och muntlig presentation där den studerande redogör erhållna erfarenheter, insikter och reflektioner kring sin tid på LIA-platsen. Kursens mål är att studerande ska få praktiska erfarenheter av hur utbildningens metodik inom AIutveckling och dataanalys appliceras i yrkesrollen, samt få specialiserad kunskap om området och hur det appliceras i arbetslivet. Kursens syfte är att befästa kunskaper, färdigheter och kompetenser erhållna under utbildningen till verksamheter inom näringslivet och förtydliga yrkesrollen. Kursen syftar också till att ge studerande tillfälle att värdera sina nuvarande kunskaper inom området samt ge möjlighet till fördjupning. Kursens mål Kunskaper • • • • •

Specialiserade verktyg som används av företaget Processer och arbetssätt i verksamheten Hantering av skarp data i företaget Processer och metoder kring utveckling av AI och/eller dataanalys Specialiserade kravspecifikationer, dokumentation och kvalitetssäkring

Färdigheter • • •

Redogöra metodik och processer runt utvecklingsprojekt Redogöra för företagets arbetssätt kring kravspecifikationer, dokumentation och kvalitetssäkring Beskriva teknologier, verktyg och plattformar som används inom det aktuella företaget

Kompetenser • • • •

Bidra till organisationens verksamhet inom AI och dataanalys Medverka i diskussioner och utvärderingar kring projekt, utbildningens område och arbetsplatsen Samarbeta i grupperingar och projekt på arbetsplatsen Muntligt presentera erfarenheter, resultat och insikter

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom en företagsutvärdering, loggböcker och ett seminarium.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Självständigt och med säkerhet arbeta med AI-utveckling • Dokumentera sitt eget arbete samt visa förmåga att analysera och kunna ge förslag på förbättringar

LIA 2 Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 70p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Under kursen LIA 2 kommer studerande få möjlighet att applicera samtliga kunskaper erhållna under utbildningen och applicera dem i ett skarpt projekt. Under kursen ska ett utvecklingsprojekt inom utbildningsområdet genomföras på LIA-platsen, i vilket studenten ska leda eller ta en aktiv roll i. Kursen kommer också ge möjligheter till att fördjupa kunskaper och färdigheter i ett realistiskt kontext. Målet med kursen är att studerande ska få praktisk erfarenhet av att planera och genomföra ett utvecklingsprojekt inom AI och dataanalys. Studerande ska självständigt kunna genomföra vanligt förekommande arbetsmoment, erhålla specialiserad kunskap inom området för utvecklingsprojektet och självständigt kunna fördjupa sina kunskaper i ett närliggande tekniskt område. Kursens syfte är att knyta ihop utbildningen med yrkesrollen och ge studenten praktisk erfarenhet av skarpa utvecklingsprojekt i en relevant miljö där nyttan av AI kan påvisas. Kursen syftar också till att ge studenten möjlighet att vidareutveckla och fördjupa kompetenser inom området. Kursens mål Kunskaper • Specialiserad kunskap inom verktyg som används av företaget • Processer och arbetssätt i verksamheten • Hantering av skarp data i företaget • Processer och metoder kring utveckling av AI och/eller dataanalys • Specialiserad kunskap inom utvecklingsprojektets omfattning Färdigheter • • •

Applicera och redogöra för metodik och processer runt utvecklingsprojektet I den grad det är möjligt, applicera företagets arbetssätt kring kravspecifikationer, dokumentation och kvalitetssäkring På grundläggande nivå använda teknologier, verktyg och plattformar som nyttjas inom det aktuella företaget

Kompetenser • • • •

Ta en aktiv roll inom ett projekt och samarbeta med andra involverade Medverka i diskussioner och utvärderingar kring projekt, utbildningens område och arbetsplatsen Självständigt kunna analysera och dokumentera sitt arbete Muntligt presentera möjligheter, hinder och resultat

•

Agera självständigt och professionellt utifrån sin yrkesroll

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Peka ut avgörande faktorer för den egna utvecklingen för att bli anställningsbar • Skriftligt analysera företagets utvecklingsprocess och föreslå förbättringar • Självständigt och med säkerhet arbeta utefter företagets riktlinjer

Linjär algebra Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 20p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-09-21 Kursens huvudsakliga innehåll Linjär algebra är en av grundstenarna för att förstå matematiken bakom många maskininlärningsalgoritmer. Detta är en grundläggande kurs som bland annat tar upp koncept om vektorer, skalärprodukt, vektorprodukt, linjens och planets ekvation, ekvationssystem, matriser, matrisoperationer, linjaritet med mera. I kursen kommer den studerande att få göra beräkningsövningar med hjälp av papper och penna, men även få använda sig av moduler i Python för linjär algebra. Kursens mål är att den studerande ska förstå grundläggande begrepp inom linjär algebra. Kursens syfte är att förbereda studerande inför maskininlärning och djupinlärning då linjär algebra krävs för att förstå teorin bakom många algoritmer. Kursens mål Kunskaper • • • • • •

Matematiska notationer inom linjär algebra Begreppen skalärer, vektorer, matriser Linjens och planens ekvation Ekvationssystem Begreppet linjaritet Linjära avbildningar

Färdigheter • •

Utföra olika matrisoperationer för hand och på dator Ställa upp och lösa ekvationssystem med hjälp av exempelvis Gausselimination för hand och lösa ekvationssystem på dator

Kompetenser • •

Självständigt kunna utföra beräkningar med matriser, vektorer, skalärer. Självständigt kunna lösa ekvationssystem

Läromedel •

Linjär algebra – Gunnar Sparr o https://www.adlibris.com/se/bok/linjar-algebra-9789144197524 o https://www.adlibris.com/se/bok/ovningar-i-linjar-algebra-9789144116075

Övrigt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut.

Former för kunskapskontroll Kunskapskontroller görs under kursen genom tenta. Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • lösa matematiska problem inom linjär algebra av högre komplexitet • modellera enklare verkliga problem med hjälp av linjär algebra

Maskininlärning Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 45 Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen börjar med en introduktion till maskininlärning och AI där viktiga begrepp introduceras. Kursen kommer täcka enklare modeller för att förutspå okända värden, klustra datapunkter, självlärande beslutsträd samt lägga grunden för artificiella neurala nätverk. Kursens mål är att studerande ska kunna redogöra för och tillämpa algoritmer för träning och inferens av AI-modeller samt lära sig vanliga metoder kring databehandling och infrastruktur för AI samt tekniker för evaluering av modeller. Kursens syfte är att få grundläggande kunskaper och färdigheter för att kunna använda vanliga maskininlärningsmodeller samt kunna tillämpa tekniker för datahantering, träning, och evaluering. Kursens mål Kunskaper • • • • • • •

Typer av AI Centrala begrepp och termer inom maskininlärning och AI, som bias, varians, overfit samt underfit Klustring Linjär och logistisk regression AI metoder baserade på beslutsträd och random forest algoritmer Grunderna i artificiella neurala nätverk, gradient descent och loss-funktioner Problemmodellering och problemlösning inom AI

Färdigheter • • • •

Utföra en lämplig datauppdelning, “data shuffling” samt undvika “data leakage” Träna färdigimplementerade maskininlärningsalgoritmer och tolka “loss-kurvor” Utföra inferens med ny data givet en färdigtränad modell Utföra en enklare evaluering av maskininlärningsmodeller

Kompetenser • •

Självständigt kunna utföra en enkel förbehandling av data, träna en maskininlärningsmodell samt använda modellen för inferens Självständigt kunna utföra en enklare evaluering av resultat samt jämföra olika tekniker och modeller

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom laboration och tenta.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet välja lämplig inlärningsalgoritm för rätt situation • Med säkerhet evaluera olika maskininlärningsalgoritmer • Med säkerhet redogöra teoretiskt för olika maskininlärningsalgoritmer

Praktisk maskininlärning Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 35p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll I verkligheten är data sällan städad och lätt att tolka. Denna kurs behandlar hur man skapar så goda förutsättningar som möjligt för maskininlärning i praktiken och hur en modell går från idé till driftsatt värdeskapande lösning. Kursen behandlar hantering av otillräcklig och obalanserad data samt “feature engineering”. Kursen har även ett avsnitt med etik och regler inom området. I kursen görs ett mindre projekt där modellen driftsätts i molnet med exempelvis Amazon Web Services (AWS), Microsoft Azure eller Google Cloud Platform. Kursens mål är att studerande ska lära sig navigera problem och begränsningar kring data och AI i verkligheten, kunna driftsätta och underhålla en AI-modell i molnet samt kunna jämföra olika lösningar och identifiera eventuella brister vid nyttjande av modellen i verkliga scenarion. Kursens syfte är att ge studerande praktiska kunskaper och färdigheter att kunna arbeta med att utveckla, nyttja och underhålla AI-lösningar under verkliga förhållanden. Kursens mål Kunskaper • • • •

Projektplanering Feature engineering Dataaugmentering Grundläggande kunskaper och förståelse om en molntjänst exempelvis AWS, Azure, Google Cloud • Lagar och regler kring AI • Få insikt gällande risker med AI och dess roll i samhället Färdigheter • • • • •

Driftsätta, monitorera och underhålla en AI-modell i molnet Balansera ett dataset Applicera AI för att lösa verkliga problem Utöka ett dataset genom augmentering Diskutera och resonera kring etik inom området

Kompetenser • •

Självständigt nyttja tekniker för att balansera, utöka och anpassa verklig data för maskininlärningsmodeller Självständigt kunna navigera och hantera etiska och lagliga riktlinjer samt följa god praxis för datasäkerhet

•

Självständigt kunna designa, implementera och driftsätta AI-lösningar under verkliga förhållanden

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom grupparbete i projekt med redovisning i grupp och individuell analys.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet utföra de olika stegen i arbetsflödet för att lösa verkliga problem med hjälp av maskininlärning • Med säkerhet kunna utnyttja en molntjänst i arbetsflödet för AI-lösningar på ett kostnadseffektivt sätt

Programmering med Python Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 40p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen går igenom grundläggande definitioner och strukturer inom programmering med Python, vilket innefattar grundläggande datastrukturer, textbaserade användargränssnitt samt objektorienterad programmering. Kursen kommer även täcka grundläggande versionshantering av kod med hjälp av Git. Målet med kursen är att de studerande ska lära sig att utveckla funktionsrika skript och applikationer i Python, använda utvecklingsverktyg för att skriva, felsöka och exekvera Pythonkod samt grundläggande versionshantering av kod med hjälp av Git. Kursens syfte är att ge grundläggande kunskaper och färdigheter inom utveckling, debugging och kodhantering i Python för att kunna arbeta med utveckling av AI-lösningar. Kursens mål Kunskaper • Syntax och semantik för Python och dess standardbibliotek • Grunderna i objektorienterad programmering med Python • Enkel versionshantering av kod med hjälp av Git Färdigheter • • • • •

Lösa programmeringsproblem med Python Tillämpa enkel objektorienterad programmering med Python Använda utvecklingsverktyg så som VSCode eller PyCharm för utvecklingssyfte Använda ett paketeringsverktyg ex. pipenv för att hantera installation av paket Använda Git för att versionshantera kod i ett eget och/eller gemensamt projekt

Kompetenser • • •

Självständigt skriva körbar kod i Python utefter specifikation eller för att lösa problem Självständigt kunna utföra enklare debuggning av kod Tillämpa ett objektorienterat tankesätt vid design och implementation av kod med Python

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut.

Former för kunskapskontroll

Kunskapskontroller görs under kursen genom laboration och tenta.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet skriva idiomatisk och effektiv Pythonkod • Skriva kod som är logisk och enkel att följa med • Lösa programmeringsproblem på en avancerad nivå

Projektmetodik Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 10p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen behandlar metoder inom projektutformning och projektledning. Kursen kommer fokusera på aktuella agila metoder som t.ex. Scrum och Kanban. Kursen täcker även ett teams olika roller, kvantifiering av resultat, organisatoriska krav, dokumentation, ledarskap samt vanliga fallgropar. Kursens mål är att studerande ska lära sig planera, och arbeta i, ett agilt projekt samt bidra till att agila projektmetoder följs, samt kunna samarbeta med olika individer och roller i team. Kursens syfte är att ge den studerande kunskap och färdigheter inom projektmetodik, projektutformning och agila metoder för att kunna delta i eller leda ett agilt utvecklingsprojekt. Kursens mål Kunskaper ● Agila projektmetoder, t.ex. Scrum och Kanban ● Agila begrepp och koncept ● Teamets olika roller ● Gruppdynamik ● Kodgranskning ● Definition of Done ● Dokumentation ● Testning Färdigheter ● ●

Använda agila koncept och ett agilt arbetssätt Planera, utföra, dokumentera och utvärdera projekt enligt agila projektmetoder

Kompetenser ● ●

Självständigt kunna planera, arbeta och samarbeta i ett agilt projekt Under projektets gång ha uppsikt över och bidra till att de agila projektmetoderna följs

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut.

Former för kunskapskontroll

Kunskapskontroller görs under kursen genom grupparbete i projekt med redovisning i grupp och individuell analys. Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Effektivt jobba i ett agilt team • Med säkerhet kunna använda agila koncept och ett agilt arbetssätt

Statistiska metoder Kursen ingår i utbildningen: Utvecklare inom AI och maskininlärning Kursens omfattning: 30p Undervisningsspråk: Svenska Förkunskaper: Inga Valbar kurs: Nej Utbildningsnummer och omgång: YH-01462 - 2021 – 1, 2 & 3 Beslutsdatum för kursplan: 2021-06-08 Kursens huvudsakliga innehåll Kursen behandlar sannolikhetslära och grunderna inom statistik som krävs för maskininlärning. Kursen kommer täcka vanliga fördelningar, korrelation, kovarians, väntevärde, estimering och skattning. Kursen kommer även gå igenom tekniker som hypotestestning och regressionsanalys. Genom kursens gång kommer praktiska uppgifter lösas med hjälp av Python och beräkningspaketet NumPy. Kursens mål är att den studerande ska förstå och kunna tillämpa metoder inom grundläggande statistik samt ta fram diverse statistiska mått givet en datamängd eller fördelning. Studerande ska även förstå och kunna genomföra ett hypotestest samt kritiskt granska resultaten, samt kunna tillämpa enkel regressionsanalys. Kursens syfte är att ge den studerande den kunskap som krävs för att själv tolka och dra slutsatser kring data och statistik samt förståelse för statistik och sannolikhetslära i den mån som krävs för att utveckla lösningar inom maskininlärning och AI.

Kursens mål Kunskaper • Grundläggande statistik och kvantitativa statistiska mått • Sannolikhetslära, beroende och oberoende händelser • Vanliga fördelningar och dess egenskaper samt användningsområden • Estimering och skattning • Paketet NumPy och vanliga funktioner Färdigheter • • • •

Beräkna informativa statistiska mått, så som kovarians, korrelation och väntevärde Tolka sannolikheter, diagram och statistik Utföra interpolation och extrapolation samt regressionsanalys Utföra hypotestestning och beräkna konfidensintervall

Kompetenser • • •

Självständigt samla in data, utföra statistiska beräkningar och identifiera felkällor Kunna kritiskt granska statistik och resultat samt dra egna slutsatser och tolkningar Svara på statistiska frågeställningar genom nyttjande av beräkningsverktyget NumPy

Läromedel Allt material på www.ithsdistans.se och eventuellt annat material som läraren delar ut. Former för kunskapskontroll Kunskapskontroller görs under kursen genom laboration och tenta.

Principer för betygssättning Betyg sätts i form av Icke godkänt (IG), Godkänt (G) eller Väl godkänt (VG). Icke godkänt (IG) Den studerande har fullföljt kursen men inte nått alla mål för kursen. Godkänt (G) Den studerande har nått samtliga mål för kursen. Väl godkänt (VG) Den studerande har nått samtliga mål för kursen. Den studerande kan dessutom • Med säkerhet redogöra för regressionsanalys • Med säkerhet presentera och visualisera statistisk data • Med säkerhet redogöra för statistisk inferens