Inleiding Kunstmatige Intelligentie

Introduction to Artificial Intelligence

Studiewijzer 2020/2021

Globale inhoud

• Wat zijn de vragen die onderzoek naar Kunstmatige Intelligentie probeert te beantwoorden?
• Welke ontdekkingen zijn daaruit voortgekomen? Welke toepassingen heeft dat opgeleverd?
• Welke problemen zijn nog onopgelost?  Wat zijn de grote uitdagingen voor de nabije en verre toekomst?

In dit vak wordt een overzicht gegeven van het vakgebied van de Kunstmatige Intelligentie. We behandelen daarbij de geschiedenis van het vakgebied, de ontwikkelingen in de laatste decennia, en de recente doorbraken binnen de Kunstmatige Intelligentie. Daarbij gaan we vooral in op de theoretische ontwikkelingen die belangrijk zijn voor het onderzoek en de toepassingen van vandaag. De beschouwing over praktische ontwikkelingen die hiermee in toekomst mogelijk zouden kunnen worden door de studenten zelf gepresenteerd tijdens een afsluitende posterpresentatie.

Studiemateriaal

Literatuur

• [1] Russell, S.J. and P. Norvig (2010), H1: Introduction. In: Artificial Intelligence, A Modern Approach (3rd edition). Pearson – Prenctice Hall, Upper Saddle River, New Jersey.

• [2] Turing, A. (1950), ‘Computing Machinery and Intelligence’, Mind, 59 (236): 433-460.

• [3] Newell, A., H.A. Simon (1976), ‘Computer science as empirical inquiry: symbols and search’, Communications of the ACM, 19(3): 113-126.

• [4] Brooks, R.A. (1991), ‘Intelligence without representation’, Artificial Intelligence, 47(1-3): 139-159.

• [5] Jordan, M. I., Mitchell, T. M. (2015), 'Machine learning: Trends, perspectives, and prospects', Science 349 (6245), 255-260

• [6] Cuellar, A. (2017), ‘Causal reasoning and data analysis: problems with the abusive head trauma diagnosis’, Law, Probability and Risk, 0: 1-17

• [7] Pearl J. (2018), ‘Theoretical Impediments to Machine Learning With Seven Sparks from the Causal Revolution’,  arXiv:1801.04016v1

• [8] Besold, R. et al. (2017) ‘Neural-Symbolic Learning and Reasoning: A Survey and Interpretation’, p. 1-9, arXiv:1711.03902.

• [9] Jieshu Wang (2017) ‘Symbolism vs. Connectionism: A Closing Gap in Artificial Intelligence’, blog published online.

• [10] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton (2017), 'ImageNet classification with deep convolutional neural networks', Communications of the ACM, Volume 60 Issue 6, p. 84-90

• [11] K. Hofmann, S. Whiteson, A. Schuth, and M. de Rijke. ”Learning to rank for information retrieval from user interactions”. SIGWEB Newsletter, 5(Spring):1–7, April 2014. ISSN 1931-1745.

• [12] T. Ruotsalo, G. Jacucci, P. Myllymaki, and S. Kaski. Interactive intent modeling: Information discovery beyond search. Communications of the ACM, 58(1):86–92, 2015.

• [13] Repplinger, M. et al. (2018), ‘Vector-space models of words and sentences’, Nieuw Archief voor Wiskunde 5/19, 3: 167 – 174.

• [14] Riederer et al. (2018), ‘The Price of Fairness in Location Based Advertising’, FATREC’ 17,  https://scholarworks.boisestate.edu/fatrec/2017/1/5/

• [15] Breazeal et al. (2016), 72. Social Robotics. In: Sicilian, B. and O. Khatib (eds.), Springer Handbook of Robotics (pp. 1935 – 1960), 2nd edition, Berlin: Springer.

• [16] Andrej Zwitter (2014), 'Big Data ethics', Big Data & Society, July–December 2014: 1–6

• [17] Claudia Aradau and Tobias Blanke (2015). The (Big) Data-security assemblage: Knowledge and critique. Big Data & Society, July–December 2015: 1–12

Syllabus

• Leerwijzer voor Inleiding Kunstmatige Intelligentie

Overig

• Het materiaal op de Canvas site van Practicum Academische Vaardigheden (www.practicumav.nl)

Leerdoelen

• The student is able to explain the important concepts and theories within the field of AI.
• The student is able to argue both against and in favor of developments within the field of AI.
• The student is able to map the developments within the field of AI, within their respective historical context.
• The student is able to effectively read and understand scientific papers and lecture hand-outs.
• The student is able to process the material of the course using various techniques, such as short presentations, multiple-choice questions, and making summaries.
• The student is able to present a scientific poster.

Onderwijsvormen

• Hoorcollege
• Werkcollege
• Zelfstudie
• Begeleiding/feedbackmoment
• Presentatie/symposium

Het vak Inleiding Kunstmatige Intelligentie bestaat uit hoorcolleges (twee keer per week), werkcolleges theorie (twee keer per week) en werkcolleges Practicum Academische Vaardigheden (PAV) ( ́één keer per week). Dit jaar wordt dit hybride ingevuld: gedeeltelijk online / gedeeltelijk on-campus. Waarschijnlijk zal ́één werkcollege theorie en ́één PAV werkcollege on-campus zijn.

Tijdens de hoorcolleges worden onderwerpen plenair besproken door docenten. De docenten zijn professoren en onderzoekers gespecialiseerd op een bepaald gebied van de Kunstmatige Intelligentie. Elke week wordt minimaal ́één nieuw onderwerp behandeld. De professoren gaan meestal meteen vrij diep in op de stof, dus het wordt van studenten verwacht dat zij vooraf aan het hoorcollege de bijbehorende literatuur hebben bestudeerd.

Tijdens de werkcolleges (ook wel practica genoemd) presenteren en bediscussiëren studenten de gelezen wetenschappelijke artikelen. Daarnaast werkt men individueel middels diverse instrumenten aan het verwerken van de lesstof. Tijdens het PAV werken studenten in groepen o.a. aan de eindpresentatie. Zelfstudie is een belangrijk onderdeel van het vak Inleiding Kunstmatige Intelligentie en vereist dan ook een actieve betrokkenheid van studenten.

Verdeling leeractiviteiten

Academische vaardigheden

Het onderwijs in de academische vaardigheden wordt gegeven tijdens het PAV, dat wordt verzorgd door tutoren en de coördinator Academische Vaardigheden. Tijdens de PAV werkcolleges bij het vak Inleiding Kunstmatige Intelligentie staat het volgende leerdoel centraal: Het kunnen creëren en presenteren van een poster voor een wetenschappelijke conferentie. Deze opdracht is onderdeel van Inleiding Kunstmatige Intelligentie en moet door alle studenten die het vak volgen gemaakt worden. Eerstejaars studenten Kunstmatige Intelligentie krijgen tijdens bepaalde PAV bijeenkomsten tevens onderdelen die betrekking hebben op het mentoraat. Informatie over PAV kan verkregen worden bij de tutor en de coördinator Academische Vaardigheden: Anja Ruhland (A.M.Ruhland@uva.nl).

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Voor practica en werkgroepbijeenkomsten met opdrachten geldt een aanwezigheidsplicht. De invulling van deze aanwezigheidsplicht kan per vak verschillen en staat aangegeven in de studiewijzer. Wanneer studenten niet voldoen aan deze aanwezigheidsplicht kan het onderdeel niet met een voldoende worden afgerond.
  

Aanvullende eisen voor dit vak:

• Aanwezigheid en voorbereiding bij de hoorcolleges wordt sterk aanbevolen. De sprekers zijn van hoog niveau.
• Voor de werkcolleges geldt een strikte aanwezigheidsplicht. Ook bij de online werkcolleges wordt de aanwezigheid geregistreerd. Deelnemers mogen gedurende het gehele vak maximaal 2 van de in totaal 17 werkcolleges missen. Is men vaker afwezig bij de werkcolleges dan wordt er geen eindcijfer geregistreerd en heeft men niet voldaan aan het vak.
• Tijdens het vak wordt onderzoek gedaan naar de ontwikkeling van een dashboard met cijferinformatie. In dat kader krijg je een vragenlijst aan het begin en eind van het vak voorgelegd. Ook zijn er enkele korte vragen aansluitend bij opdrachten. Het beantwoorden van deze vragen is een verplicht onderdeel van het vak. Deelname aan het onderzoek staat daar los van. Aan het begin van het vak zal je door de onderzoekers worden gevraagd of jouw geanonimiseerde data ook gebruikt kan worden voor onderzoek.

Toetsing

De toetsing bestaat uit  2 deelcijfers, namelijk het cijfer P voor de praktische oefening (W1,W2,W3&W4) en het cijfer T voor de deeltentamens (DT1&DT2). De berekening van het eindcijfer (C) is als volgt:

• Deeltentamens 50%: het gemiddelde van DT1&DT2. Het eerste deeltentamen (DT1) betreft de eerste helft van het lesmateriaal en het tweede deeltentamen (DT2) de tweede helft van het lesmateriaal. Het hertentamen toetst de lesstof integraal.
• Werkgroep practica 50%, waarbij W1 voor 10%, W2 voor 10% en  W3 voor 15% en W4 voor 15% bijdraagt:
  – W1 is het gemiddelde van de opdrachten van de eerste periode (Quiz en huiswerk I & II)
  -  W2 is de beoordeling van de Discussie & Presentatie
  -  W3 is het eindcijfer van de schrijfopdracht.
  – W4 is het cijfer voor de posterpresentatie.
• Eindcijfer is het gemiddelde van de 2 deelcijfers, dus C= (P + T)/2. Het gemiddelde van de (deel)cijfers moet voldoen aan de criteria zoals vastgelegd in het Onderwijs- en Examenreglement (OER) van de opleiding Kunstmatige Intelligentie. In de studiegids staat vermeld dat er voor zowel P als T een ondergrens van 5.5 geldt.

Inzage toetsing

Inzage is eenvoudig direct mogelijk via hetzelfde programma dat ook is gebruikt om het tentamen af te nemen (ans-delft.nl)

Opdrachten

Naast hoorcolleges zijn er wekelijks diverse opdrachten om de informatie (met name de literatuur) te verwerken. Opdrachten en bijbehorende instrumenten worden beschikbaar gesteld via Canvas (http://canvas.uva.nl). Voor de opdrachten is er een Rubric beschikbaar om het beoordelen van de gemaakte opdrachten zo veel mogelijk te standaardiseren (zie Canvas voor details). Hieronder volgt een beknopte opsomming van de verschillende soorten opdrachten:

• Quiz (Q): meerkeuzevragen over de stof en de literatuur van die week.
• Korte vragen (KV): vragen over de stof en de literatuur van die week (individueel & schriftelijk).
• Korte presentaties (P) betreft het houden van een korte lezing aan de hand van zelf-gemaakte slides over bestudeerde literatuur.
• Schrijfopdracht (S): studenten kiezen een paper behorend bij een gastcollege uit deel II (en niet het paper dat zij hebben gepresenteerd/besproken). De belangrijkste punten uit dit paper vatten zij samen, en vervolgens relateren zij het paper aan drie benaderingen/concepten uit deel I van het vak. Individuele opdracht. Studenten schrijven een eerste versie, hierop krijgen zij feedback van hun student-assistent.
• een Posterpresentatie (POS) is een veel gebruikte manier van presenteren van wetenschappelijk onderzoek. Naast een beknopte schriftelijke vorm, gebruikmakend van illustraties en tekst veelal op A1 of A2 formaat, wordt een poster ook mondeling toegelicht. Het is dus een combinatie van een mondelinge en een schriftelijke presentatie. Met een poster geeft men op een aantrekkelijke manier informatie door. De Posterpresentatie (POS) is onderdeel van het Practicum Academische Vaardigheden (PAV).

Merk op dat alle opdrachten deadlines hebben en dat deze strikt worden gehandhaafd. De deadlines staan in Canvas. Canvas is tevens de plek waar de opdrachten worden ingeleverd.

Fraude en plagiaat

Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl

Weekplanning

Rooster

Het rooster van dit vak is in te zien op DataNose.

Verwerking vakevaluaties

De grote verandering van dit jaar naar aanleiding van de vakevaluaties is dat we de grote verscheidenheid aan werkcolleg eopdrachten hebben beperkt tot vijf vormen.

Contactinformatie

Coördinator

• dr. Arnoud Visser

Werkcollege Docenten

• Wessel de Jong (coördinatie)
• Max van den Broek
• Damien Fleur
• Banno Postma
• Joy Crosbie
• Meike Kombrink
• Samar Hashemi
• Mathias Kirkeng

        Tutoraat & Academische vaardigheden

Docenten

• prof. dr. Max Welling
• prof. dr. Joris M. Mooij
• prof. dr. ing. Robert van Rooij
• prof. dr. Cees Snoek
• prof. dr. Maarten de Rijke
• dr. Raquel Férnadez
• prof. dr. Hinda Haned
• prof. dr. Koen Hindriks
• prof. dr. Tobias Blanke