Faglig innhold

Filosofien bak faget er at for å lage kunstig intelligente systemer, må man ha en forståelse for hjernen og hvordan den har utviklet seg gjennom evolusjon. Selv om vi ikke har komplette biologiske forklaringer ennå har vi datametoder som er abstrakte modeller av hjernen og evolusjon, og disse metodene spiller en viktig rolle i dagens AI-forskning. I tillegg brukes de på tusenvis av andre praktiske problemer - alt fra bildekomprimering til kretsdesign og laging av musikk og kunst.

Emnet dekker flere komputasjonelle metoder med grunnlag i biologi, med hovedfokus på nevrale nett og evolusjonære algoritmer. Nettyper som dekkes inkluderer standard "feed-forward"-nett med "back-propagation"-læring. Hopfield-nett med Hebbiansk læring, og selvorganiserende Kohonen-nett. Evolusjonære algoritmer av hovedinteresse er genetisk algoritmer (GA) og genetiske programmer (GP). Underveis dekker vi noen prinsipper og metoder fra fagfeltet kunstig liv (artificial life), f.eks. emergens, kaos, kompleksitet, sverm-intelligens, celle-automater, osv. Faget omhandler også en del av det biologiske grunnlaget for de fleste metodene.

Læringsutbytte

Studentene skal få både en teoretisk basis og praktisk programmeringserfaring med to av de meste kjente sub-symboliske AI-metodene: kunstig nevrale nett og evolusjonære algoritmer.

Læringsformer og aktiviteter

Forelesninger i plenum og øvinger. Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår diverse programmerings prosjekter og noen rapporter. Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter.

De fleste (av de 4-5) øvinger i faget pleier å være store programmeringsorienterte
jobber som tar 2-4 uker. Studenter som ikke liker å programmere er anbefalt å ikke ta dette faget. Gruppearbeid på programmeringsprosjekter er vanligvis ok, med
grupper av 2 studenter, ikke flere. Rapport-orientert øvinger (d.v.s. de som ikke har med programmering å gjøre) er ikke gruppearbeid og dermed må skrives av hver enkelt student, uten samarbeid med andre studenter.

Anbefalte forkunnskaper

TDT4120 Algoritmer og datastrukturer og MA0301 Elementær diskret matematikk.

Forkunnskapskrav

TDT4136 Logikk og resonnerende systemer, TDT4110 Informasjonteknologi samt et kurs i matematikk på universitetsnivå eller tilsvarende.

Kursmateriell

Forelesningsfoiler pluss noen bøker. Bøker oppgis ved forelesningsstart, og foiler produseres underveis i semesteret.

Studiepoengreduksjon