Kompetenceprofil for Kunstig Intelligens og Data

Kompetenceprofil, med polyteknisk grundlag

En bachelor i teknisk videnskab fra DTU 

1. kan kombinere forskningsbaseret og praktisk viden til at finde egnede teknologiske løsninger og se dem i en samfundsmæssig, bæredygtig og etisk kontekst

2. har viden om matematik, statistik og programmering og kan anvende dette til fagspecifik opgaveløsning

3. har viden om centrale naturvidenskabelige emner inden for fysik, kemi og bioteknologi, kan anvende dette til opgaveløsning og har kendskab til den naturvidenskabelige metode

4. har eksperimentelle og digitale kompetencer og kan opstille simple modeller samt opsamle, analysere og fortolke data

5. er i stand til selvstændigt at tilegne sig ny viden, kan anvende fagrelevante informationskilder, herunder på engelsk, og kan forholde sig kritisk hertil

6. kan formidle og målrette ingeniørfaglige information, teorier og resultater til fagfæller og ikke-specialister

7. kan ud fra en faglig tilgang analysere problemstillinger og løsninger på egen hånd såvel som i samarbejde med andre

Retningsspecifikke mål for læringsudbytte

En bachelor i Kunstig Intelligens og data:

• kan programmere i Python og skabe veldokumenteret, pålidelig og struktureret software samt anvende relevante moderne programmeringskoncepter såsom objekt orienteret programmering.​
• kan anvende og identificere relevante Python-baserede værktøjer til løsning af AI-opgaver. F.eks. en personlig assistent / chatbot, objektgenkendelse i lyd eller billeddata, genkendelse af emotioner i tekst data, styring af drone, modelbil, computerspil, evaluering af undervisning, søgemaskinefunktioner i sundhedsdata​.
• kan designe og implementere intelligente systemer, herunder effektive algoritmer med henblik på real-tids anvendelser eller data analyse​.
• kan anvende statistik og metoder fra eksperimentelt design (A/B-test) til evaluering af AI​.
• har viden om basale repræsentationer af naturlige signaler herunder billeder, lyd, og tekst. Kan anvende det sansedes matematik, herunder signaler som vektorer, basis funktioner, filtre til fremhævning af objekter og deres placering (konvolution) og varians-komponenter.
• kan anvende basale machine learning metoder til supervised og unsupervised learning. Har viden om læringsprocessen, kan identificere relevante metoder og kan evaluere et implementeret system​.
• har viden om kausale modeller, begrænsninger og muligheder i observationelle data, intervention og eksperimentelt drevet design.
• har viden om informationsbehandling i menneskets hjerne, herunder perception, hukommelse, beslutningsprocesser, emotioner og styring af bevægelser. ​
• kan anvende modelbaseret styring og kontrol. Har viden om mål-drevet læring og optimering, herunder dynamisk programmering​.
• kan evaluere et AI systems funktion og etiske dimensioner som privacy, værdier, stereotyper, bias og fairness, samt etiske dilemmaer​.
• har viden om og kan anvende symbolske metoder til kunstig intelligens som opererer med eksplicitte – sproglige eller logiske – modeller af omverden​ samt forstår relationen mellem symbolske metoder og machine learning.