Lärandemål
Kursens övergripande mål är att den studerande tillägnar sig kunskaper och färdigheter i att samla in och
bearbeta data från en heterogen datoriserad miljö innefattande distribuerade sensorenheter, klienter och servrar.
Efter avslutad kurs ska studenten kunna:
Kunskap och förståelse
Färdighet och förmåga
Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten kunna:
Kunskap och förståelse
- Redogöra för koncept kopplade till mjukvaruagenter, multi-agentsystem, autonoma och distribuerade system
- Beskriva egenskaper hos distribuerade och parallella system.
Färdighet och förmåga
- implementera mjukvaruagenter med stöd av multiagentramverk
- konfigurera, hantera och utveckla applikationer för datorer med begränsat minne
- utföra dataanalys relaterad till distribuerade system
- tillämpa vetenskapliga förhållningssätt i planering, design, genomförande och presentation av kvantitativa studier
Värderingsförmåga och förhållningssätt
- Argumentera för valda metoder och tekniker inom artificiell intelligens, data science eller statistisk analys för problemlösning
- utvärdera resultat av insamlat data och föreslå förbättringar
Innehåll
Kursen behandlar distribuerade system med utspridda komponenter över nätverk
som kommunicerar och koordinerar sina handlingar genom
att skicka meddelanden till varandra. Även andra typer
av nätverks- och systemmodeller behandlas.
Vidare behandlas mjukvaruagenter och distribuerade system som realiseras i kursens praktiska programutvecklingsmoment. I detta sammanhang används och implementeras metoder och tekniker för artificiell intelligens (AI) eller dataanalys av studenten.
Kursen fokuserar på kvantitativ metod som används under problemlösningsprocessen, inkluderande planering, datainsamling, datatransformation, datalagring, dataanalys och presentation.
Vidare behandlas mjukvaruagenter och distribuerade system som realiseras i kursens praktiska programutvecklingsmoment. I detta sammanhang används och implementeras metoder och tekniker för artificiell intelligens (AI) eller dataanalys av studenten.
Kursen fokuserar på kvantitativ metod som används under problemlösningsprocessen, inkluderande planering, datainsamling, datatransformation, datalagring, dataanalys och presentation.
Examinationsformer
Duggor (2 hp) Laborationsredovisningar (2,5 hp) och inlämningsuppgifter (3 hp).
Arbetsformer
Föreläsningar, laborationer och workshops.
Betyg
Som betygsskala används U–VG.
Duggor (U - VG), Laborationsredovisningar (U - G) och inlämningsuppgifter (U - VG).Slutbetygets nivå fastställs genom en sammanvägning av kursens ingående examinationsmoment
Förkunskapskrav
- Artificiell intelligens 7,5 hp och Statistisk analys 7,5 hp eller Data Science och maskininlärning 7,5 hp
- Objektorienterad design och problemlösning, 7,5 hp
- Forskningsmetodik 7,5 hp, grundnivå
- Databassystem 7,5 hp, grundnivå
Övrigt
Kursen inte kan tillgodoräknas i en examen tillsammans med Distribuerad databehandling och problemlösning med Java, IK2018