I denna del av kursen i Artificiell Intelligens (AI) kommer vi att fokusera på praktisk programmering. Detta innebär att vi går bortom teorin och ger dig möjlighet att själv arbeta med koden som driver AI-system. Att lära sig grunderna i programmering är viktigt för att förstå hur AI fungerar och hur du kan använda det i praktiken. Vi kommer att börja med grundläggande programmeringskoncept, såsom variabler, loopar, villkorssatser och funktioner. Dessa är byggstenarna i all programmering och kommer att ge dig de verktyg du behöver för att börja skapa enkla program. Sedan kommer vi att gå vidare till att introducera dig till språk som ofta används inom AI, såsom Python. Python är ett populärt programmeringsspråk inom AI på grund av dess enkelhet och mångsidighet. Du kommer att lära dig hur man skriver Python-kod och använder bibliotek som TensorFlow eller PyTorch, som är speciellt utformade för maskininlärning och AI. Ett annat viktigt moment är att förstå hur man arbetar med data. Du kommer att få lära dig att samla in, rensa och organisera data, vilket är en grundläggande del av AI och maskininlärning. Att kunna hantera data är avgörande för att träna AI-modeller effektivt. Vi kommer också att utforska enklare AI-algoritmer, såsom beslutsträd och linjär regression. Genom praktiska övningar kommer du att få se hur dessa algoritmer kan användas för att göra förutsägelser eller klassificeringar baserade på data. Slutligen kommer du att få möjlighet att arbeta på ett eget projekt där du kan tillämpa det du har lärt dig. Detta projekt kan vara en enkel AI-applikation som löser ett verkligt problem eller något mer kreativt som du är intresserad av. Genom denna praktiska erfarenhet kommer du att få en bättre förståelse för hur AI fungerar och hur du kan använda det i dina egna projekt och idéer. ### 1. Introduktion till Programmering **Syfte:** Ge en grundläggande förståelse för programmering, nödvändig för att arbeta med AI. - **Övning 1:** Skriva enkla Python-program. Python är ett populärt språk inom AI tack vare dess läsbarhet och stora bibliotek. - **Övning 2:** Grundläggande datatyper och strukturer i Python (t.ex. listor, dictionaries). - **Övning 3:** Kontrollstrukturer (if-satser, loopar). ### 2. Introduktion till AI och Maskininlärning **Syfte:** Förklara grundläggande koncept inom AI och maskininlärning. - **Övning 4:** Översikt av AI-tillämpningar (bildigenkänning, naturlig språkbehandling). - **Övning 5:** Enkel maskininlärningsmodell med Scikit-Learn, en Python-bibliotek. ### 3. Neurala Nätverk och Deep Learning **Syfte:** Introducera neurala nätverk som en kärnkomponent i modern AI. - **Övning 6:** Bygga ett enkelt neuralt nätverk med TensorFlow eller Keras. - **Övning 7:** Träna nätverket på en datamängd (t.ex. MNIST för handskriven siffraigenkänning). ### 4. Dataanalys och Förbearbetning **Syfte:** Lära ut hur man hanterar och förbereder data för AI-modeller. - **Övning 8:** Datarensning och förbearbetning med Pandas. - **Övning 9:** Visualisera data med Matplotlib eller Seaborn. ### 5. Etik och Ansvarsfull Användning av AI **Syfte:** Diskutera etiska överväganden. - **Övning 10:** Case-studier där studenter analyserar verkliga scenarier där AI använts på bra eller dåliga sätt. ### 6. Projektarbete **Syfte:** Tillämpa kunskaperna i ett praktiskt projekt. - **Övning 11:** Studenter väljer ett problem och använder AI för att lösa det. Projektet inkluderar alla steg från datainsamling till modellimplementering. ### Utvärdering och Feedback - **Reflektion:** Efter varje övning, diskutera vad som lärdes ut, svårigheter och insikter. - **Feedback:** Kontinuerlig feedback från lärare och kamrater för att förbättra förståelsen och lärandet. --- > [!Info] Källor > Text: Något redigerad, ChatGGPT GPT 4.0, [Läromedelsverkstan](https://chat.openai.com/g/g-gi7Vb6kU0-laromedelsverkstan), 2024-01-03