Skip to main content

Specialisering i Datavidenskab og Kunstig intelligens

Datavidenskab omfatter felter som statistik, visualisering, maskinlæring, data mining, deep learning, kunstig intelligens, optimering. Fagområdets metoder udgør en central del af Kunstig Intelligens.

På mange områder kan det gøre en stor forskel at anvende databaserede indsigter. Hverdagseksempler på praktisk anvendelse af data er produktanbefalinger i onlinebutikker eller personlige assistenter på smartphones.

Mange virksomheder benyttet data til at optimere deres produktion og forretning, og flere apparater anvender maskinlæring, optimering og kunstig intelligens – blandt andre vaskemaskiner, støvsugere, droner, selvkørende biler og andre robotter.

Portræt af Arthur Zimek

I Datavidenskab-gruppen på SDU arbejder statistikere og dataloger sammen om undervisningen, så vi samlet set dækker flere aspekter af Datavidenskab og Kunstig Intelligens som fagområde. I samarbejde med andre fakulteter udbyder vi også kurser relateret til personlig medicin, som er et nyt felt, der også bygger på datavidenskab.

Vi er involveret i datavidenskabelige projekter med forskellige partnere, fra små og mellemstore lokale virksomheder til store internationale aktører. For eksempel arbejder vi med de kommunale myndigheder i Odense, Kolding, Nyborg og Svendborg om forbedring af trafiksystemer, planlægning af offentlig transport og langsigtet budgettering af bygningsvedligeholdelse. I industrisektoren har vi igangværende g tidligere projekter vedrørende dataanalyse og optimering med blandt andre Danfoss, Ørsted, Energinet, Lego og Aviation Cloud.

Kurser

I studieåret 2021/2022 udbyder vi følgende kurser inden for Datavidenskab og Kunstig Intelligens:

Dette kursus giver en introduktion til problemer inden for diskret optimering og fokuserer på to af sine løsningsparadigmer: constraint-programmering og (meta)heuristiske algoritmer.

Constraint-programming forsøger at løse problemer ved at modellere dem ved hjælp af et deklarativt programmeringssprog og derefter bruge standard implikationsregler, svarende til logisk ræsonnement, for at reducere de mulige alternative løsninger, som skal betragtes. Heuristikker og metaheuristikker til optimeringsproblemer er generelle principper for at finde nær-optimale løsninger. De udgør den sidste udvej, når et problem viser sig at være beregningsmæssigt for svært at løse nøjagtigt. De er ofte inspireret af naturen. For eksempel er lokalesøgningsteknikker baseret på forsøg-fejl-metoden, hvilket er en mulig måde, mennesker intuitivt løser problemer på.

Succesen af specifikke heuristikker til at løse konkrete problemer på en tilfredsstillende måde afhænger af indsigt i strukturen af problemet og af muligheden for en effektiv implementering. Man kan simpelthen ikke lære at takle de udfordringer, man står overfor i Diskret Optimering, uden at forsøge at løse reelle problemer. Kurset omfatter derfor førstehåndserfaring gennem programmeringsopgaver.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

Dette kursus tilbyder et bredere perspektiv af logik, og hvordan den bruges i datalogi.

I en tid, hvor computere i stigende grad løser kritiske opgaver såsom ruteplanlægning og medicinadministration, er det vigtigt at forstå, hvordan vi kan formalisere de sikkerhedskrav, som vi forventer af sådanne programmer, og kontrollere, at de overholder dem.

Ansvarlig underviser: Luís Cruz-Filipe

Læs hele kursusbeskrivelsen

Kursets formål er at give grundlæggende indsigt i moderne forskning i bioinformatik. Kurset giver viden om datalogiske modeller og metoder beregnet til anvendelser i biologi og medicin.

I hver forelæsning vil vi begynde med et konkret biologisk og/eller medicinsk spørgsmål, lave det om til et problemformulering, der kan løses af en computer, designe en matematisk model, løse denne og endelig aflede og evaluere svar fra modellen, som giver mening i den virkelige verden.

Ansvarlig underviser: Konrad Krawczyk

Læs hele kursusbeskrivelsen

Dette kursus dækker avancerede uovervågede data mining-metoder, såsom ensemblemetoder til klyngedannelse og outlier-afsløring eller metoder dedikeret til højdimensionelle data (for eksempel subspace klyngedannelse, outlier-afsløring i højdimensionelle data), som er vigtige for at håndtere komplekse, vanskelige og højdimensionelle data i forskellige applikationer.

Ensemblemetoder er etableret for overvåget læring, men kommer med yderligere udfordringer for uovervågede metoder. Højdimensionelle data kommer med særlige udfordringer kendt under navnet "curse of dimensionality". Vi vil undersøge sådanne udfordringer på en mere generel måde og diskutere, hvordan forskellige generelle algoritmiske strategier og specifikke løsninger forsøger at tackle disse udfordringer.

Ansvarlig underviser: Arthur Zimek

Læs hele kursusbeskrivelsen

Datamining- og maskinlæringsteknologier udstyrer beregningsmæssige systemer med evnen til at identificere meningsfulde mønstre i data og til adaptivt at forbedre deres resultater på basis af erfaringerne fra de observerede data.

Dette kursus introducerer de mest almindelige teknikker til at udføre grundlæggende opgaver inden for datamining og maskinlæring, og dækker den grundlæggende teori, algoritmer og applikationer. Kurset balancerer teori og praksis, og dækker de matematiske såvel som de heuristiske aspekter.

For de fleste af teknikkerne i pensum vil såvel de grundlæggende ideer og intuition som en formel beregningsmæssig beskrivelse blive præsenteret. Desuden vil du have mulighed for at eksperimentere og anvende teknikker fra datamining- og maskinlæringsteknikker på udvalgte problemer.

Ansvarlig underviser: Arthur Zimek

Læs hele kursusbeskrivelsen

Lineær og heltal programmering beskæftiger sig med at finde matematisk beviselige optimale løsninger på ressourcebegrænsede optimeringsproblemer. Disse problemer opstår i beslutningstagningsprocesser inden for produktionssektoren, logistik, sundhed, uddannelse, finans, energiforsyning og mange andre områder.

Kurset fokuserer på det grundlæggende i lineær optimering og dualitetsteori og på de vigtigste løsningsteknikker: simpleks metode, branch-and-bound og cutting planes. Det har derudover til formål at gøre det muligt for dig at lære at modellere praktiske optimeringsproblemer på matematisk vis og at arbejde med matematiske softwaresystemer til at finde frem til numeriske løsninger på de mulige applikationer.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

Kurset fokuserer på avancerede løsningsteknikker til udfordrende matematiske optimeringsproblemer.

Vi starter med et par konkrete applikationer taget fra skedulering og ruteplanlægning og modellerer dem ved hjælp af blandet heltals- og lineær programmering (mixed integer linear programming, MILP).

På grund af den større mængde data, er de basale løsningsteknikker til MILP-problemer utiltrækkelige til at løse de problemer, der opstår i praktiske anvendelser, og avancerede løsningsteknikker er påkrævede. Disse er: Lagrangian-relaxation, Dantzig Wolfe-dekomposition, søjlegenerering og Benders-dekomposition. Vi studerer teorien og øver os på implementeringer.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

Maskinlæring spiller en stor rolle i vores hverdag, fra simple produktanbefalinger til personlige virtuelle assistenter og selvkørende biler. I nyere tid er ”deep learning”, som et resultat af kraftigere hardware og billigere beregningskraft, blevet et populært værktøj til at lære af komplekse og omfattende data.

I dette kursus vil vi diskutere principperne bag deep learning og dets anvendelse i forskellige felter. Vi vil lære om styrkerne såvel som svaghederne bag disse dybe neurale netværker.

Kurset vil give dig en dyb forståelse for emnet og lære dig at anvende de diskuterede teknikker i en lang række sammenhænge.

Ansvarlig underviser: Richard Röttger

Læs hele kursusbeskrivelsen

Visualiseringer er vigtige værktøjer for eksperter inden for forskellige områder (for eksempel samfundsvidenskab, bioinformatik, digital humaniora, sport) for at få et overblik over datadistributioner og indsigt i eksisterende datamønstre i en forståelig og intuitiv form.

Kurset giver dig mulighed for at udvikle passende visuelle grænseflader til (domænespecifikke) brugeropgaver. Dette er vigtigt, hvis du vil arbejde inden for områder, der kræver visuelle løsninger til dataanalyse.

Kurset dækker vigtige teoretiske begreber relateret til visualiseringsdesign, herunder dataabstraktion, opgaveabstraktion, og visuel kodning. Kurset dækket alle disse aspekter i et praktisk gruppeprojekt, der indebærer udvikling af en interaktiv visualisering for et datasæt af personlig interesse.

Ansvarlig underviser: Stefan Jänicke

Læs hele kursusbeskrivelsen

Dette kursus giver en omfattende introduktion til Kunstig Intelligens. Vi diskuterer målene og metoderne inden for AI, med udgangspunkt i begrebet intelligente agenter. Derefter diskuterer vi de klassiske emner inden for AI: søgning, optimering, vidensrepræsentation, planlægning og ræsonnement under usikre antagelser.

Ansvarlig underviser: Luís Cruz-Filipe

Læs hele kursusbeskrivelsen

Formålet med kurset er at give en introduktion til datamining af ustruktureret tekst på naturlige sprog.

Stigende mængder digitaliseret tekst kræver, at der udvikles formelle rammer for at behandle sådanne data for at udtrække oplysninger og drage statistiske konklusioner baseret på teksternes indhold.

Kurset giver et solidt teoretisk grundlag i behandlingen af ustruktureret tekst og giver eksempler på anvendelse af datavidenskabelige metoder i håndtering af data fra den virkelige verden.

Vi vil begynde at arbejde med enkle eksempler på ustruktureret tekst, analysere nuværende metoder inden for tekstmining og fremhæve deres fordele og mangler. Vi vil derefter gå over til anvendelser af sådanne metoder på mere realistiske datasæt fra online nyhedsmedier og videnskabelige publikationer.

Ansvarlig underviser: Konrad Krawczyk

Læs hele kursusbeskrivelsen

Kurset har til formål at sætte den studerende i stand til at arbejde  systematisk med datasæt med flere variable, hvilket er vigtigt i forhold til at kunne gennemføre statistiske analyser inden for en lang række  forskningsområder, for eksempel biologi og epidemiologi.

Ansvarlig underviser: Jing Qin

Læs hele kursusbeskrivelsen

Kurset giver dig indsigt i lineære og generaliserede lineære modellers  matematiske struktur, herunder erfaring med at genkende sådanne modeller
ud fra et givet statistisk problem.

Ansvarlig underviser: Fernando Colchero

Læs hele kursusbeskrivelsen

Kurset har til formål at sætte dig i stand til at bruge moderne beregningsmæssigt intensive metoder som et værktøj til at  undersøge stokastiske fænomener og statistiske procedurer, samt til at  udføre statistisk inferens, hvilket er vigtigt i forhold til at foretage statistiske analyser baseret på computation og simulering.

Ansvarlig underviser: Yuri Goegebeur

Læs hele kursusbeskrivelsen

Tidsplan
Semester
10 ECTS-kurser
5 ECTS-kurser
Efterår 2021
DM841, DM847, DM873
DM864, DM878
Forår 2022 DM846, DM870, DM879, ST813, ST816  DM871, DM872, DM882, ST811

De fleste af disse kurser forudsætter grundlæggende forståelse for lineær algebra. Så længe du opfylder eventuelle indgangskrav og faglige forudsætninger, kan du frit kombinere kurserne. Vi opfordrer dig dog til at kontakte potentielle vejledere tidligt med henblik på at drøfte anbefalede studieforløb for visse emner.

Specialeprojekter

Nedenstående er eksempler på tidligere specialeemner inden for Datavidenskab og Kunstig Intelligens:

  • Optimisation of demand-responsive personal transportation
  • Synchronisation, enrichment and visualisation of football data
  • Bus line optimisation on Funen
  • Simulation of traffic flow in a real urban network
  • Optimisation of coordinated traffic signal intersections
  • Flight planning in free route airspaces
  • Artificial intelligence in action real-time strategy games
  • Optimising heat and power production using column generation

Det Naturvidenskabelige Fakultet Syddansk Universitet

  • Campusvej 55
  • Odense M - 5230
  • Telefon: +45 6550 2099

Sidst opdateret: 02.03.2021