Cardiff University

MSc Τεχνητής Νοημοσύνης με Έτος Επαγγελματικής Τοποθέτησης

Αυτό είναι ένα πρόγραμμα σπουδών πλήρους απασχόλησης τριών σταδίων που διδάσκεται σε διάστημα δύο ετών. Στο στάδιο της διδασκαλίας θα μελετήσετε βασικές ενότητες σε συνολικά 120 μονάδες.

Εάν καταφέρετε να αποκτήσετε μια θέση, αυτό θα πραγματοποιηθεί μετά το στάδιο διδασκαλίας του μαθήματος. Οι περισσότεροι μαθητές ξεκινούν την τοποθέτησή τους το καλοκαίρι του 1ου έτους, αν και αυτό μπορεί να καθυστερήσει εάν η διδακτική φάση δεν έχει ολοκληρωθεί σε αυτό το σημείο. Ας υποθέσουμε ότι δεν μπορείτε να αποκτήσετε μια τοποθέτηση. Σε αυτή την περίπτωση, έχετε την επιλογή να μεταφερθείτε στο πρόγραμμα πτυχίου MSc in Artificial Intelligence (χωρίς έτος επαγγελματικής τοποθέτησης) και να συνεχίσετε απευθείας με το έργο της διατριβής σας.

Μετά την επιτυχή ολοκλήρωση της τοποθέτησής σας, θα αναλάβετε ένα έργο διατριβής αξίας 60 μονάδων, συνεργαζόμενοι και υπό την επίβλεψη ακαδημαϊκού επόπτη εντός της Σχολής.

Πρώτο έτος

Θα μελετήσετε τέσσερις υποχρεωτικές ενότητες 20 μονάδων σε συνολικά 80 μονάδες και θα επιλέξετε άλλες 40 μονάδες από μια λίστα προσεκτικά επιλεγμένων προαιρετικών ενοτήτων. Θα ακολουθήσει ένα έργο διατριβής 60 μονάδων που θα πραγματοποιηθεί το καλοκαίρι.

Βασικές ενότητες για το πρώτο έτος

• Αντιπροσωπεία Γνώσης
• Αυτοματοποιημένη συλλογιστική
• Αρχές Μηχανικής Μάθησης
• Εφαρμογές Μηχανικής Μάθησης: Επεξεργασία Φυσικής Γλώσσας/Όραση Υπολογιστή

Προαιρετικές ενότητες για το πρώτο έτος

• Δοκιμή διείσδυσης και ανάλυση κακόβουλου λογισμικού
• Μηχανική Μάθηση για NLP
• Εισαγωγή στην Υπολογιστική Ρομποτική
• Κατανεμημένα και Cloud Computing
• Ανθρώπινος κεντρικός υπολογισμός
• Εγκληματολογία Υπολογιστών και Δικτύων
• Επιχειρήσεις Κυβερνοασφάλειας
• Προηγμένα θέματα στο NLP
• Προγραμματισμός παραδειγμάτων
• Ανάπτυξη Ασφαλών Συστημάτων και Εφαρμογών
• Υπολογιστική Γλωσσολογία
• Θεμέλια Επιχειρησιακής Έρευνας και Αναλύσεων
• Θεμέλια Στατιστικής και Επιστήμης Δεδομένων

Έτος Δεύτερο: Έτος σάντουιτς

Η τοποθέτηση στην εργασία σας θα διαρκέσει κανονικά μεταξύ 7 και 12 μηνών, πραγματοποιείται στο τέλος της φάσης διδασκαλίας του μαθήματος, πριν από την τελική διατριβή σας, επιτρέποντάς σας να εξασκήσετε τις νέες δεξιότητες που έχετε μάθει και να εφαρμόσετε τις γνώσεις που έχετε αποκτήσει. χώρο εργασίας.

Θα επιστρέψετε στο πανεπιστήμιο μετά την επιτυχή ολοκλήρωση της θέσης εργασίας σας, συνήθως στην αρχή του καλοκαιριού του επόμενου έτους για να ολοκληρώσετε τη διατριβή σας.

Βασικές ενότητες για το δεύτερο έτος

• Τοποθέτηση
• Διατριβή

Πώς θα αξιολογηθώ;

Οι διδασκόμενες ενότητες εντός του προγράμματος αξιολογούνται μέσω μιας σειράς αξιολογήσεων, οι οποίες συνήθως αποτελούνται από εξετάσεις και μαθήματα, όπως γραπτές εκθέσεις, χαρτοφυλάκια, χρονομετρημένες αξιολογήσεις, εκτεταμένες εκθέσεις, πρακτικές εργασίες και προφορικές παρουσιάσεις.

Η ανατροφοδότηση σχετικά με τα μαθήματα μπορεί να παρέχεται μέσω γραπτών σχολίων για την εργασία που υποβλήθηκε, με την παροχή «μοντέλων» απαντήσεων ή/και μέσω συζήτησης σε συνεδρίες επικοινωνίας.

Η τοποθέτηση αξιολογείται μέσω ενός χαρτοφυλακίου εργασίας που περιλαμβάνει αξιολογήσεις εργοδοτών, έγγραφα χαρτογράφησης SFIA, ένα προσχέδιο αναφοράς και μια τελική έκθεση. Αυτό θα δείξει πώς έχετε αναπτύξει τις δεξιότητές σας κατά την τοποθέτηση.

Η διατριβή θα επιτρέψει στους φοιτητές να δείξουν την ικανότητά τους να χτίζουν και να εκμεταλλεύονται τις γνώσεις και τις δεξιότητες που αποκτήθηκαν για να εκθέσουν κριτική και πρωτότυπη σκέψη με βάση μια περίοδο ανεξάρτητης μελέτης και μάθησης.

Ποιες δεξιότητες θα εξασκήσω και θα αναπτύξω;

Τα Μαθησιακά Αποτελέσματα για αυτό το Πρόγραμμα μπορούν να βρεθούν παρακάτω:

Με την επιτυχή ολοκλήρωση του Προγράμματος θα είστε σε θέση:

Γνώση & Κατανόηση

1. Κατανόηση της σημασίας του τρόπου με τον οποίο αναπαρίστανται τα δεδομένα για την επιτυχία των μεθόδων τεχνητής νοημοσύνης
2. Γνώση των βασικών εννοιών και αλγορίθμων που διέπουν τις μεθόδους τεχνητής νοημοσύνης
3. Κατανόηση των θεωρητικών ιδιοτήτων διαφορετικών μεθόδων τεχνητής νοημοσύνης
4. Διορατικότητα και προνοητικότητα για το πώς οι μέθοδοι τεχνητής νοημοσύνης επηρεάζουν την επιτυχία μιας δεδομένης εργασίας

Διανοητικές δεξιότητες

1. Ικανότητα εφαρμογής και αξιολόγησης μεθόδων τεχνητής νοημοσύνης για την επίλυση μιας δεδομένης εργασίας
2. Ικανότητα επεξήγησης και επικοινωνίας των βασικών αρχών που διέπουν τις κοινές μεθόδους τεχνητής νοημοσύνης
3. Κριτική αξιολόγηση των ηθικών επιπτώσεων και των κοινωνικών κινδύνων που συνδέονται με την ανάπτυξη μεθόδων τεχνητής νοημοσύνης

Επαγγελματικές Πρακτικές Δεξιότητες

1. Ικανότητα επισημοποίησης προβλημάτων του πραγματικού κόσμου σε σχέση με επιλεγμένες μεθόδους τεχνητής νοημοσύνης
2. Δυνατότητα επιλογής κατάλληλης μεθόδου τεχνητής νοημοσύνης (και στρατηγικής προεπεξεργασίας δεδομένων εάν χρειάζεται) για την αντιμετώπιση των αναγκών μιας δεδομένης ρύθμισης εφαρμογής
3. Ικανότητα στην εφαρμογή μεθόδων τεχνητής νοημοσύνης, αξιοποιώντας τις υπάρχουσες βιβλιοθήκες όπου χρειάζεται
4. Επίδειξη ικανότητας ως επαγγελματίας πληροφορικής στο πλαίσιο του Έτους Επαγγελματικής Τοποθέτησης

Μεταβιβάσιμες/Βασικές Δεξιότητες

1. Κριτική αξιολόγηση της δουλειάς σας και του άλλου με γραπτά και λεκτικά μέσα
2. Σαφής και αποτελεσματική επικοινωνία σύνθετων ιδεών, αρχών και θεωριών με προφορικά, γραπτά και πρακτικά μέσα, σε ένα εύρος κοινού
3. Εκτίμηση ευκαιριών για επαγγελματική εξέλιξη
4. Ικανότητα για ανεξάρτητη μελέτη και κριτικό στοχασμό

Οι απόφοιτοι αυτού του προγράμματος θα βρίσκονται σε ιδανική θέση για να αναπτύξουν σταδιοδρομία ως επιστήμονες δεδομένων, μηχανικοί τεχνητής νοημοσύνης και μηχανικοί δεδομένων.

Πώς θα Διδάξω;

Η Σχολή Επιστήμης Υπολογιστών και Πληροφορικής έχει μια ισχυρή και ενεργή ερευνητική κουλτούρα που ενημερώνει και κατευθύνει τη διδασκαλία μας. Δεσμευόμαστε να παρέχουμε στους μαθητές τη διδασκαλία των υψηλότερων προδιαγραφών.

Ένα ευρύ φάσμα μορφών διδασκαλίας και μάθησης χρησιμοποιείται καθ' όλη τη διάρκεια του MSc Artificial Intelligence with Professional Placement Year. Οι ενότητες παραδίδονται μέσω μιας σειράς συνεδριών επαφής, οι οποίες περιλαμβάνουν διαλέξεις, σεμινάρια, εργαστήρια, σεμινάρια και εργαστηριακά μαθήματα ανάλογα με το πρόγραμμά σας, χρησιμοποιώντας έναν συνδυασμό διαδικτυακής διδασκαλίας και διδασκαλίας στην πανεπιστημιούπολη. Αυτά μπορεί να περιλαμβάνουν:

• Συνεδρίες διδασκαλίας πρόσωπο με πρόσωπο (π.χ. διαλέξεις, μαθήματα ασκήσεων, επιδείξεις)
• Διαδικτυακοί πόροι που εργάζεστε με τον δικό σας ρυθμό (π.χ. βίντεο, πόροι ιστού, ηλεκτρονικά βιβλία, κουίζ)
• Διαδραστικές συνεδρίες στο διαδίκτυο για συνεργασία με άλλους μαθητές και το προσωπικό (π.χ. συζητήσεις, ζωντανή ροή παρουσιάσεων, ζωντανή κωδικοποίηση, συναντήσεις ομάδας)
• Μικρές ομαδικές συνεδρίες πρόσωπο με πρόσωπο (π.χ. μαθήματα βοήθειας, συνεδρίες ανατροφοδότησης)

Οι περισσότερες από τις ενότητες που διδάσκετε θα έχουν περισσότερες πληροφορίες για να τις μελετήσετε και θα πρέπει να τις δουλέψετε στον δικό σας χρόνο σύμφωνα με την καθοδήγηση που παρέχεται από τον καθηγητή για αυτήν την ενότητα. Περαιτέρω μάθηση και υποστήριξη παρέχεται μέσω του Learning Central (Εικονικό περιβάλλον μάθησης του Cardiff University )

Θα αναλάβετε επίσης ένα έργο και ανεξάρτητη μελέτη για να μπορέσετε να ολοκληρώσετε τη διατριβή σας. Τα θέματα της διατριβής μπορεί να προταθούν από εσάς ή να επιλεγούν από μια λίστα επιλογών που προτείνονται από το ακαδημαϊκό προσωπικό και τους βιομηχανικούς εταίρους, αντανακλώντας τα τρέχοντα ενδιαφέροντά τους.