0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Overall, students have been content with the course, both its structure and contents. Some minor developments were made for the course, in response to previous assessments by students and instructors.

Please see attached report and results from student survey.

NTNU:TIA:REST

Institutt for datateknologi og informatikk

Department of Computer Science

Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Engelsk

Mer om vurdering

Karaktergivning er basert på prosjektdemonstrasjoner og en individuell eksamen.Gjentakelse av kurset vil kreve ny deltakelse og nye leveranser i alle kurs-aktiviteter.

Anbefalte forkunnskaper

Emnet bygger på TDT4120 Algoritmer og datastrukturer, TDT4136 Introduksjon til kunstig intelligens, TDT4171 Metoder i kunstig intelligens, og krever forkunnskap i Diskret matematikk tilsvarende MA0301 Elementær diskret matematikk og TMA4240 Statistikk. 

Forkunnskapskrav

Emnet er kun valgbart for studenter som følger studieretning i Kunstig Intelligens i studieprogrammene Datateknologi og Informatikk, samt fagretningen Kunstig Intelligens i Industriell økonomi og teknologiledelse (MTDT, MIDT, MSIT, MTIØT).

Faglig innhold

Hovedfokuset for kurset er å studere intelligente systemer inspirert av den naturlige verdenen, spesielt biologi. Flere algoritmer og metoder blir diskutert, inkludert evolusjonsære algoritmer. Bio-inspirerte intelligente systemer har tusenvis av nyttige applikasjoner innen så forskjellige felter som datateknikk, operasjonsanalyse, maskin læring, telekommunikasjon, kybernetikk, spill, musikk og kunst. Dette kurset diskuterer både teori og praksis for bio-inspirert kunstig intelligens, sammen med å gi noe av grunnlaget og inspirasjonen for de forskjellige tilnærmingene.

Kursmateriell

Læringsutbytte

Kunnskap: Emnet skal gi kandidaten en generell introduksjon til konsepter, metoder og algoritmer innen bio-inspirert kunstig intelligens. Ferdigheter: Kandidaten kan bruke faktiske metoder og algoritmer. Generell kompetanse: Gjennom teoretisk studier og programmeringsprosjekter skal kandidaten forstå og anvende bio-inspirert kunstig intelligens, og utvikle et fundament for anvendelsen av bio-inspirert kunstig intelligens på virkelige problemer.

Læringsformer og aktiviteter

Forelesninger, kollokvier, selvstudium og prosjekter. 

Bio-inspirert Kunstig Intelligens

Informatikk

Teknologiske fag

Master of Science in Informatics

Datateknologi - masterstudium (2-årig)

Datateknologi - masterstudium (5-årig)

Industriell økonomi og teknologiledelse - masterstudium (5-årig)

Informatikk - masterstudium

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(22495)/FieldValuesAsText

Some small adjustments were made from Spring 2021 to Spring 2022, based on discussions with reference group students. These broadening the contents of projects to putting more weight on projects as far as setting the course grade. Overall, this was well-received this year, please check the referense group report, and no further adjustments are deemed to be needed.

Students' assessment of the course including learning outcomes are generally very positive, please check the reference group report.

One comment often heard from student is that they have several AI-courses they would like to take in the spring, including this course (IT3708), but are not able to do so due to the structure of their study program.

Mappeevaluering gir grunnlag for sluttkarakteren i emnet. I mappen inngår prosjektarbeider og en individuell eksamen. Resultatet for delene av mappa angis underveis i poeng som formelt kun er en midlertidig tilbakemelding. Avsluttende og endelig vurdering for hele mappen (avsluttende karakter) angis med bokstavkarakter.Gjentak av eksamen krever ny deltagelse/innlevering i alle aktiviteter.

Emnet bygger på TDT4120 Algoritmer og datastrukturer, TDT4136 Introduksjon til kunstig intelligens, TDT4171 Metoder i kunstig intelligens, og krever forkunnskap i Diskret matematikk tilsvarende MA0301 Elementær diskret matematikk.

Hovedfokuset for kurset er å studere intelligente systemer inspirert av den naturlige verdenen, spesielt biologi. Flere algoritmer og metoder blir diskutert, inkludert evolusjonsære algoritmer. Bio-inspirerte intelligente systemer har tusenvis av nyttige applikasjoner innen så forskjellige områder som maskin læring, kontrollteori, telekommunikasjon, musikk og kunst. Dette kurset diskuterer både teori og praksis for bio-inspirert kunstig intelligens, sammen med å gi litt av grunnlaget og inspirasjonen for de forskjellige tilnærmingene.

Kunnskap: Emnet skal gi kandidaten en generell introduksjon til konsepter, metoder og algoritmer innen bio-inspirert kunstig intelligens. Ferdigheter: Kandidaten kan bruke faktiske metoder og algoritmer. Generell kompetanse: Gjennom praktisk og teoretisk arbeid skal kandidaten forstå og anvende bio-inspirert kunstig intelligens, og ha en forståelse av anvendelsen av bio-inspirert kunstig intelligens på virkelige problemer.

Forelesninger, kollokvier, selvstudium og øvelser. En visst antall obligatoriske øvelser må godkjennes for å kunne gå opp til eksamen. 

Bio-inspirert kunstig intelligens

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17014)/FieldValuesAsText

The contents of the course is described in the attached files BioAI_2021_01_14_v2, BioAI_Syllabus_Part1_2021_04_23_v1.pdf, and BioAI_Syllabus_Part2_2021_04_23_v1.pdf. The course is of high quality, and focuses on historical and current topics in bio-inspired artificial intelligence with focus on evolutionary and swarm methods. Please see the reference group report (created in Teams, see also attached) for the student evaluation.

The contents of the course is updated and relevant, leading to excellent learning outcomes. Please check the attached files BioAI_2021_01_14_v2, BioAI_Syllabus_Part1_2021_04_23_v1.pdf, and BioAI_Syllabus_Part2_2021_04_23_v1.pdf. The contents of and expectations for the course are clearly communicated to the students throughout the course, and especially in the first lecture (see the file BioAI_2021_01_14_v2.pdf). The content and structure of the course are well-coordinated with concurrent and previous courses. Please see the reference group report (created in Teams, see also attached) for the students' evaluation of learning outcomes.

The teaching and learning activities contribute strongly to students' achievements and learning outcomes in the course - please check the attached files BioAI_2021_01_14_v2, BioAI_Syllabus_Part1_2021_04_23_v1.pdf, and BioAI_Syllabus_Part2_2021_04_23_v1.pdf. Further details on the topic of teaching and learning can also be found in the Blackboard Web site for the course. Most student are highly motivated and enganged in the course, leading to a very good learning environment for students and contributions by students. High student engagement, contribution, and motivation are in part because of the focus on non-trivial programming projects (see attached three .pdf files with project descriptions) coupled with the discussion of related topics in the course lectures. The exam, which is also viewed positively, makes sure that the students get a broader perspective on bio-inspired AI. Here are highlights from the reference group report regarding teaching and learning activities:<ul><li>It is recommended to keep the project focus of the course, as this focus is a key component of the AI specialization at IDI </li><li>Projects are an interesting way to learn BioAI algorithms. </li><li>Generally, the handed-out materials for projects are of good quality, but it would be useful with some documentation on helper code provided in projects (like the evaluator for project 3). </li><li>Having the choice of working alone or in a group of two is good.  </li><li>Whether to add a presentation component to the projects is debatable, as some students will view it positively, and others negatively.  Student presentations are not common at NTNU, for better or worse. </li><li>Mainly using textbooks - rather than only articles - is viewed positively. </li><li>Having an exam (or test) in addition to the projects is unproblematic, an alternative could be to make the course projects-only.  </li><li>Coordination with parallel and previous courses is very good.  </li></ul> Please also see the reference group report (created in Teams, see also attached)) for the students' evaluation of these questions related to teaching and learning activities.

There is an excellent link between the learning outcomes and the forms of assessment in the course.  Please see the reference group report (created in Teams, see also attached) for the students' evaluation of the forms of assessment.

Hovedfokuset for kurset er å studere intelligente systemer inspirert av den naturlige verdenen, spesielt biologi. Flere algoritmer og metoder blir diskutert, inkludert evolusjonsære algoritmer. Bio-inspirerte intelligente systemer har tusenvis av nyttige applikasjoner innen så forskjellige områder som kontrollteori, telekommunikasjon, musikk og kunst. Dette kurset diskuterer både teori og praksis for bio-inspirert kunstig intelligens, sammen med å gi litt av grunnlaget og inspirasjonen for de forskjellige tilnærmingene.

Forelesninger, kollokvier, selvstudium og øvelser. En visst antall obligatoriske øvelser må godkjennes for å kunne gå opp til eksamen.  


Kunnskap: Emnet skal gi kandidaten en generell introduksjon til konsepter, metoder og algoritmer innen bio-inspirert kunstig intelligens.
Ferdigheter: Kandidaten kan bruke faktiske metoder og algoritmer.
Generell kompetanse: Gjennom praktiske og teoretiske øvelser skal kandidaten forstå og anvende bio-inspirert kunstig intelligens, og ha en forståelse av anvendelsen av bio-inspirert kunstig intelligens på virkelige problemer. 

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(11428)/FieldValuesAsText

Bio-inspirert Kunstig Intelligens - IT3708