Grundläggande programmering i Python
Kursen omfattar: Ett programs struktur och uppbyggnad • Hur källkod omvandlas till maskinkod, sekvens, upprepning, selektion, datatyper och funktioner • Objektorienteringens principer • Verktyg för felsökning och felkorrigering i programkod • Validering och test av kod • Versionshanteringssystem (GIT) • Introduktion till maskininlärning, algoritmer, bibliotek och ramverk • Agilt arbetssätt och remote agile workflow • Skapande av enklare program med Python
Databehandling
Kursen omfattar: Datalagring i relations- och dokumentdatabas samt dataåtkomst från Python • Datalagring i vanliga textfilsformat (csv, json, xml och yaml) • Verktyg för hantering, validering och bearbetning av data i enlighet med GDPR • Molntjänster och Big Data i storskalig infrastruktur
Introduktion till maskininlärning
Kursen omfattar: Supervised, unsupervised och reinforcement learning • NLP, bildklassificering och time series • Vanliga algoritmer (kNN, Decision Tree, Random Forest, Linear Regression och Logistic Regression) • Pythonbibliotek och molnbaserade tjänster för maskininlärning • Utveckling av maskininlärningsapplikationer • Agila arbetsmetoder, etik och moral inom maskininlärning
Teori för maskininlärning
Kursen omfattar: Begrepp • Tunga beräkningar • Matematiken som ligger till grund för maskininlärning • Ekvationssystem • Matriser och determinanter
Maskininlärning och djupinlärning
Kursen omfattar: Regression- och klassificeringsproblem för att tolka data • Tillämpning av maskininlärningsmodeller • Djupinlärningsverktyg • Algoritmer i Python • Implementation av maskininlärning
Effektiv Pythonprogrammering
Kursen omfattar: Programmering med Python • Skriva effektiva, välstrukturerade och väldokumenterade program med Python • Strukturer, så som comprehensions, generators, decorators och lambda • Algoritmer och klasser
LIA 1
Praktikperiod 1. Målet med kursen: Utveckla specialiserad kunskap om programmering i Python, databasteknik, webbramverk, maskininlärning och Deep Learning • Kunna arbeta i projektform • Kunna förklara LIA-företagets roller och uppbyggnad • Kunna redogöra för hur LIA-företaget utför maskininlärning
Applicerad AI
Kursen omfattar: Applicering av kunskaper i ett projekt inom artificiell intelligens • Fördjupning inom agila metoder och förhållningssätt i ett utvecklingsteam • Begrepp, metoder och teorier kring artificiella neutrala nätverk • Genetiska algoritmer och svärmintelligens
LIA 2
Praktikperiod 2. Målet med kursen: Kunna tillämpa applicerad AI och agila förhållningssätt • Kunna ta en aktiv roll som projektmedlem • Kunna utföra omvärldsbevakning • Självständigt kunna utföra arbetsuppgifter inom branschen
Examensarbete
Ett självständigt arbete som omfattar: Planering och upprättande av projektplan • Informationssökning, bearbetning och analys av teoretisk och empirisk data • Källkritik och källhänvisning • Genomförande av ett självständigt skriftligt arbete av relevans för utbildningen • Presentation och opponering