Language: NOR | ENG
2020/2021

SPIS2001 Maskinlæring og kunstig intelligens i spill

Læringsutbytte

Ved bestått emne har studenten oppnådd følgende læringsutbytte:

Kunnskap

Studenten

  • forstår kompleksiteten mellom forskjellige maskinlæringsalgoritmer og deres begrensninger under opplæring
  • forstår utfordringer og roller til kunstig intelligens ved designing av et spil
  • forstår taktisk og strategisk kunstig intelligens som er brukt i spill-scenarier

Ferdigheter

Studenten

  • kan forklare den generelle tanken bak maskinlæring, så vel som definerte algoritmer som er brukt i virkelighetstro scenarier
  • kan bruke maskinlæringsmetodikk for å undersøke, og industrielle metoder basert på aktuelle trender for maskinlæringsbiblioteker
  • kan implementere og bruke maskinlæringsmetoder i hvilket som helst spill
  • er i stand til å produsere spill hvor avataren navigerer seg rundt og utfører handlinger basert på målorientert/anvendbar teori
  • er i stand til å gjennomføre eksperimenter med ML ved bruk av verdensnære spill-scenarier
  • kan med trygghet bruke vanlige ML-algoritmer i praksis og implementere egne algoritmer
  • kan programmere autonome bevegelser til avatarer
  • kan designe og implementere beslutningstaking og koordinere handlinger basert på heuristiske, fuzzy sett eller logikker
  • kan lese og forstå forskningsbasert publikasjoner  på maskinlæring/kunstig intelligens, og reformulere aktuelle problemer, valg av metoder og resultater på en presis og kortfattet måte

Generell kompetanse

Studenten

  • kan planlegge og utføre varierte arbeidsoppgaver i tråd med etiske krav og retningslinjer
  • har en forståelse av sentrale problemstillinger innen profesjonell etikk, og er i stand til å bidra til et fagfellesskap

Innhold

Sentrale tema:

  • Kunstig nevralt nettverk (Artificial Neural Network)
  • Q-learning Forsterkningslære (Q-learning Reinforcement Learning )
  • Bruk av populære maskinlæringsbiblioteker
  • Målorientert handlingsplanlegging (Goal-Oriented Action Planning )
  • Anvendbar teori (Utility-based Theory)

Arbeids- og undervisningsformer

Emnet er lagt opp som en kombinasjon av forelesninger, praktiske øvinger og veiledning.

Obligatoriske krav som må være godkjent før eksamen kan avlegges

  • 3-5 individuelle oppgavebesvarelser for henholdsvis ML og AI
  • deltagelse i forelesninger i henhold til undervisningsplanen
  • deltagelse i lab-undervisning i henhold til undervisningsplanen

Eksamen

  • 1 individuell mappeinnlevering om maskinlæring som teller 50% av endelig karakter
  • 1 individuell mappeinnlevering om kunstig intelligens som teller 50% av endelig karakter

Det forutsettes at alle deleksamener er bestått for at emnet skal vurderes til bestått.

Prestasjonen vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.