IN9460 – Kunstig intelligens for energiinformatikk

Kort om emnet

Emnet gir en introduksjon til hvordan teknikker for kunstig intelligens og algoritmer for datadrevne intelligente beslutninger vil anvendes i fremtidens smarte og bærekraftige energi- og transportsystemer. Hovedfokus er på anvendelsen av dyp læring og avanserte maskinlæringsteknikker. Tema i emnet inkluderer grunnleggende begreper relatert til smarte og bærekraftige energi- og transportsystemer, for eksempel etterspørselsstyring, energiforvaltning, energiinformatikk, elektrisk mobilitet og energieffektivitet, og anvendelse av dyplæringsalgoritmer og avanserte maskinlæringsbegreper for å løse typiske beslutningsproblemer for dette området.

Hva lærer du?

Etter å ha tatt dette emnet vil du ha:

• kunnskap om smarte og bærekraftige energi- og transportsystemer som smartnett, elbiler og internet of vehicles.
• lært om grunnleggende konsepter og teknikker/algoritmer relatert til dyplæring og avansert maskinlæring- f.eks. gjentagende (recurrent) nevrale nett, konvolusjonelle nevrale nett, dyp forsterket læring, føderert læring, generative motstridende nettverk, osv.
• kunnskap om typiske datadrevne intelligente beslutningsproblemer for smarte og bærekraftige energi og intelligente transportsystemer, og fått innsikt om de tilsvarende forskningsutfordringene.
• analysert og utviklet en forståelse av hvilke teknikker/algoritmer som kan brukes for å løse hva slags type problemer i fremtidige smarte og bærekraftige energi og intelligente transportsystemer.
• ved hjelp av programvareverktøy og reelle datasett hva lært hvordan du kan løse noen av disse problemene, og ha kunnskap om ytelsen til forskjellige teknikker/algoritmer.
• møtt inviterte forelesere fra industrien, og fra forelesningene deres fått forståelse for hvordan akademiske konsepter og algoritmer benyttes i virkelige systemer.
• fått erfaring med å presentere en forelesning for studenter på masternivå.

Opptak til emnet

Ph.d.-kandidater ved UiO søker plass på undervisningen og melder seg til eksamen i Studentweb.

Hvis emnet har begrenset kapasitet, vil ph.d.-kandidater som har emnet i sin utdanningsplan ved UiO bli prioritert. Noen nasjonale forskerskoler kan ha egne regler for rangering av søkere til emner med begrenset kapasitet.

Ph.d.-kandidater som har opptak ved andre utdanningsinstitusjoner må innen angitt frist søke om hospitantplass.

Anbefalte forkunnskaper

Studenter bør ha grunnleggende kunnskap om ICT og nettverk, f. eks. fra IN2010 og IN3230.

Det vil også være fordelaktig å ha erfaring med linear algebra, f. eks fra MAT1120.

Overlappende emner

• 10 studiepoeng overlapp med IN5460 – Kunstig intelligens for energiinformatikk.

Undervisning

3 timer forelesninger, seminar og gjesteforelesninger pr uke. Det kreves gjennomføring av obligatoriske oppgaver for å kunne gå opp til eksamen.

Les mer om krav til innlevering av oppgaver, gruppearbeid og lovlig samarbeid under retningslinjer for obligatoriske oppgaver.

Eksamen

Muntlig eksamen. Doktorgradsstudenter må også holde en ekstra presentasjon om et (valgt) tema innenfor emnet.

Begge deler (muntlig eksamen + presentasjon) må bli bestått for å bestå emnet.

Obligatoriske oppgaver må være godkjent før den muntlige eksamenen.

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: IN5460 – Kunstig intelligens for energiinformatikk

Karakterskala

Emnet bruker karakterskala bestått/ikke bestått. Les mer om karakterskalaen.

Mer om eksamen ved UiO

• Kildebruk og referanser
• Tilrettelegging på eksamen
• Trekk fra eksamen
• Syk på eksamen / utsatt eksamen
• Begrunnelse og klage
• Ta eksamen på nytt
• Fusk/forsøk på fusk

Andre veiledninger og ressurser finner du på fellessiden om eksamen ved UiO.