Kunstig intelligens ved UiB

Kunstig intelligens endrer måten vi lærer, jobber, lever og forstår oss selv og andre på, og forvandler menneskelige interaksjoner og samfunnsstrukturer. Den raske utviklingen av KI byr på både muligheter og utfordringer, og krever at samfunnet tilpasser seg nye sosiotekniske og sosiopolitiske forstyrrelser på en ansvarlig måte.

AI LEARNs forskning fokuserer på samspillet mellom menneskelig og kunstig intelligens. Senteret er dedikert til å forstå og forme de menneskelige dimensjonene ved KI-interaksjon og -adopsjon for bærekraftig, inkluderende og ansvarlig integrering på tvers av både offentlig og privat sektor og for alle borgere.

AI LEARN har 35+ nasjonale og internasjonale partnere fra akademia og offentlig og privat sektor.

Les mer om AI LEARN her.

Samtida er i aukande grad driven fram av digitale forteljingar. Likevel manglar vi ei heilskapleg og tverrsektoriell forståing av korleis digitale narrativ fungerar, til kva formål dei brukast, og korleis dei formar kulturen no og i framtida.

Senter for digitale forteljingar (CDN) er eit senter for framifrå forsking (SFF) finansiert av Norges forskningsråd fra 2023-2033.

Digitale forteljingar er nye former for historieforteljing drevne av datateknologi. Moderne liv er i aukande grad drevne av digitale forteljingar. Konspirasjonsteoriar spreier seg på internett, dataspel tilbyr fantasiverdener som delast av millionar av spelarar, og kunstig intelligens genererer både fiksjon og nyheitsartiklar. Likevel manglar vi ei heilskapleg forståing av korleis digitale forteljingar fungerer, til kva mål dei blir brukt, og korleis dei formar kulturen no og i framtida.

CDN fokuserar på algoritmisk narrativitet, nye miljø og materialiteter, og kulturelle kontekstar i endring. Vi vil undersøke korleis interaksjonar mellom menneskelege forfattarar og ikkje-menneskelege aktørar resulterar i nye forteljingsformer, korleis materialiteten til digitale forteljingar har endra seg, og korleis kulturelle kontekstar endrar digitale forteljingar sin bruk og funksjon.

CDN ser på modellar for tverrfagleg forsking, både på innovative praksisbaserte metodar og kvalitativ analyse av dei nye formene for historier fortalt gjennom digital teknologi. Ei tilnærming til digital forteljing frå humaniora inkluderar analyse av kulturelle gjenstandar og deira kulturelle innverknad, men òg resultat frå eksperimentell bruk av nye system.

CDN ynskjer å etablere Noreg som verdsleiande innan innovativ humanistisk forsking, og utdanne ein ny generasjon humanistiske forskarar som vil vere klare til å møte framtidas utfordringar. CDN vil utdjupe kunnskapen vår om korleis digitale teknologiar påverkar ei av våre mest grunnleggjande menneskelege aktivitetar: korleis vi fortel historiene som formar liva våre og forståinga av verda rundt oss.

Les mer om CDN her.

Hovedmålet med senteret er utvikling av ansvarlig medieteknologi, spesielt ved å utnytte AI-teknologi, for mediesektoren. AI-teknologi har vist seg å være av stor verdi i mange forskjellige anvendelsesområder; den har imidlertid også reist betydelige etiske spørsmål, inkludert for eksempel etablering av ekkokamre i nettbaserte mediesystemer, og forårsaket politisk polarisering og kontroversielle eller tvilsomme valgresultater. For å møte disse utfordringene er et forskningssenter i verdensklasse kalt «MediaFutures: Forskningssenter for ansvarlig medieteknologi og innovasjon» i Bergen's Media City etablert. 

Senteret utvikler avansert ny medieteknologi for ansvarlig og effektiv mediebrukerengasjement, produksjon av medieinnhold, interaksjon med medieinnhold og tilgjengelighet, og vil forske på nye metoder og målinger for presis publikumsforståelse. Senteret leverer en rekke forskningsresultater, f.eks. i form av patenter, prototyper, artikler og programvare, og utfører betydelig forskningsopplæring innen medieteknologi og innovasjon, for å sikre at senterets resultater vil opprettholde og påvirke medielandskapet på lang sikt, inkludert etablering av oppstartsbedrifter.

Senteret er et konsortium av de viktigste medieaktørene i Norge. Universitetet i Bergen er vertskap for senteret. Brukerpartnere inkluderer NRK og TV 2 , de to største TV-kringkasterne i Norge, Schibsted , inkludert Bergens Tidende (BT) , Amedia og DN Media Group, de to største nyhetsmediehusene i Skandinavia/Norge, samt de verdenskjente norske medieteknologiselskapene Vizrt , Wolftech og de norske faktasjekkorganisasjonene Faktisk.no og Factives . Senteret samarbeider med anerkjente nasjonale forskningsinstitusjoner, inkludert Universitetet i Oslo , Universitetet i Stavanger og NORCE , og jobber sammen med høyprofilerte internasjonale forskningsinstitusjoner.

Les mer om MediaFutures her.

Data science handler om å trekke nyttig kunnskap ut av store og komplekse datamengder. Vitenskapelig fremgang innen Kunstig Intelligens er sterkt avhengig av Data Science. Center for Data Science ved Universitetet i Bergen er et tverrfaglig senter på tvers av flere fakultet, som fokuserer på forskning og utdanning i sentrale aspekter av Data Science og Kunstig Intelligens.  Vår innsats involverer maskinlæring, algoritmiske problemstillinger, optimering, visual data science, statistikk, bioinformatikk og atferdsvitenskap.

Les mer om CEDAS her.

Algoritmegruppen er basert ved Institutt for informatikk og har et særskilt fokus på vanskelige beslutningsproblemer, såkalte NP-komplette problemer. Gruppen er også sterkt involvert i organiseringen av årlige aktiviteter som Nordic Collegiate Programming Contest (NCPC) og Den norske informatikkolympiaden.

Les mer om algoritmegruppen her.

Forskningen ved CBU fokuserer hovedsakelig på disse seks temaene:

1. Biomolekylær modellering. Beregningsmodellering av biomolekyler kan bidra til å tette kunnskapshull i området mellom eksperimentelle teknikker i strukturbiologi og biofysikk, og hjelpe til med utforming og tolkning av eksperimenter. Molekylære simuleringer er spesielt godt egnet til å predikere struktur og dynamikk når det gjelder foldede proteiner, men samme nøyaktighet er ennå ikke oppnådd for funksjonelle uordnede proteiner, oligosakkarider eller lipider som utgjør biomembraner.
2. Matematisk modellering. I biologi omfatter dette mekanisk og statistisk modellering. Mekanisk modellering innebærer konstruksjon, simulering, analyse og optimering av dynamiske modeller for biologiske og biokjemiske prosesser på ulike organisasjonsnivåer. Statistisk modellering bruker maskinlæring (ML) for å identifisere, karakterisere og validere meningsfulle mønstre i store multi-omikkdata, inkludert biomarkøroppdagelse, klynging av egenskaper og prøver, og rekonstruksjon av genreguleringsnettverk.
3. RNA-biologi. Betydningen og viktigheten av RNA-biologi ble spesielt tydelig under COVID-pandemien. De raske fremskrittene innen vaksineutvikling og forståelsen av viral biologi kom imidlertid som et resultat av tiår med grunnleggende forskning på RNA-biologi. Denne forskningen har hatt som mål å forstå de utallige reguleringsprosessene og nettverkene knyttet til livssyklusen til et RNA-molekyl: fra transkripsjon til RNA-prosessering, nukleær eksport, lokalisering, translasjon og til slutt nedbrytning. Hvert av disse trinnene tilbyr en reguleringsmulighet som utnyttes av både cellen og dens patogener.
4. Systembiologi. Fokuserer på en helhetlig tilnærming for å studere komplekse interaksjoner i et biologisk system gjennom kombinasjonen av numerisk modellering og systemomfattende observasjoner. Vi bidrar til utviklingen av forskning innen mikrobiell systembiologi både når det gjelder metodeutvikling og anvendelser for å studere naturlige og bioteknologiske mikrobielle systemer. Vi fokuserer på spørsmålet om hvordan tilgjengeligheten av kjemisk energi former mikrobielle samfunn i hydrotermale miljøer og i resirkulerende akvakultursystemer (RAS).
5. Persontilpasset medisin. Overgangen til persontilpasset medisin krever at vi tilpasser medisinske behandlinger til de individuelle egenskapene til hver pasient. For å oppnå dette målet er tverrfaglige tilnærminger nødvendige, som kombinerer medisinsk forskning med dataintegrasjon og modellutvikling. Flere forskningsgrupper ved CBU bidrar til dette brede forskningsspørsmålet, og dekker et vidt spekter av relevante emner.
6. Kvinnehelse. Selv om kvinner lenge har kjempet for retten til å praktisere medisin, er feltet fortsatt dominert av menn, med flere menn enn kvinner innen de fleste medisinske fagområdene. Mannekroppen har vært standarden for medisinske studier siden Hippokrates’ tid, på tross av at menn og kvinner har ulike livssykluser og dermed også ulik sykdomsrisiko. Det er fem hovedstadier i kvinners liv: spedbarnsalder, pubertet, seksuell modning, klimakterisk periode (peri- og post-menopause) og post-klimakterisk periode (alderdom). Disse stadiene medfører hormonelle svingninger og fysiologiske og emosjonelle endringer som kun gjelder kvinner.

I tillegg til å være et ledende senter for forskning innen beregningsbiologi som spenner over både grunnleggende og anvendte felt, er CBU-medlemmene sterkt involvert i utdanning og infrastrukturarbeid. CBU koordinerer emner og grader for å utdanne neste generasjon av bioinformatikere. ELIXIR Norge, den nasjonale noden til ELIXIR, koordineres av CBU og Universitetet i Bergen. ELIXIR Norge er finansiert av Norges forskningsråd og bygger på Norwegian Bioinformatics Platform, som har gitt støtte og verktøy til norsk livsvitenskapsforskning i nesten to tiår.

Les mer om CBU her.

• Kunstig intelligens. I dette studiet lærer du å programmere og å lage program som oppfører seg intelligent. Med ein bachelorgrad får du kraftige verktøy til å skape innovative løysingar og bidra til verdiskaping.
• Statistikk og data science. I det moderne samfunnet blir det lagra og generert data heile tida. Datainnsamling skjer ofte i form av tal og gjer at behovet for folk som kan gi meining til og forstå tal, aukar. På studiet statistikk og data science lærer du om prinsippa og metodane for å samle inn og analysere data.
• Kognitiv vitskap. Kognitiv vitskap er eit datafagleg studium der du lærer om kunstig intelligens og korleis hjernen vår fungerer. Dette er det einaste studieprogrammet i kognitiv vitskap i Noreg.
• Digital kultur. Er du interessert i forholdet mellom digital teknologi og kultur? På dette studiet får du kunnskap om elektronisk litteratur, dataspel og digital kunst. Du lærer både grunnleggande og avansert webdesign, og du får erfaring med å kommunisere i digitale sjangrar, både visuelt og tekstleg.
• Bioinformatikk. Bioinformatikk er eit IT-studium der informatikk møter biologi og kjemi. Du lærer programmering, statistikk og matematikk, og å bruke datakunnskapen til å analysere og tolke biologiske data. Dette er studiet for deg som liker å tenke logisk og systematisk og er interessert i biovitskap.

• Informatikk. Dette er eit masterprogram for deg som vil fordjupe deg i eit av våre forskingsfelt: algoritmar, bioinformatikk, fagformidling, logikk, maskinlæring, optimering, sikker og påliteleg kommunikasjon eller visualisering.
• Data Science (sivilingeniør, 5 år). Digitalisering påverkar og endrar samfunnet i rekordfart. Vi utdannar ekspertar i data science, som kjem eit stort samfunnsbehov i møte.
• Digital kultur. Teknologi har innverknad på oss kvar einaste dag, men vi kan også ha ein innverknad på teknologien. På digital kultur ser vi nærmare på korleis vi kontrollerer og vel teknologi som kan vere til nytte for samfunnet.

Trenger du mer digital kompetanse? UiB tilbyr en rekke små, nettbaserte emner om data og digitalisering, kunstig intelligens, personvern og GDPR, IKT-sikkerhet, med mer. Den raske utviklingen innen digital teknologi endrer samfunns- og arbeidsliv og påvirker alle bransjer. Digital kompetanse blir derfor stadig mer etterspurt i alle deler av arbeidslivet.  

Flere fagmiljøer ved UiB har gått sammen om å utvikle en rekke små emner som skal gi grunnleggende innsikt i ulike tema knyttet til digitalisering og digital teknologi. Emnene er nettbaserte og går på deltid, slik at du kan ta emnene ved siden av jobb. Hvert emne gir 2,5 studiepoeng og går over 6-9 uker.

Les mer om DIGI-emnene og meld deg på her.

Her finner du enkeltemner om eller relatert til KI. Ikke alle undervises i hvert semester; se under hvert enkelt emne hva som tilbys nå. Emnene som omtales på engelsk, har det som undervisningsspråk.

• VIT216 KI: Visjonar, realitetar og framtidige konsekvensar (5 ECTS). Emnet skal formidle forståing for eit aktuelt og samansett samfunnsspørsmål i vår tid med potensielt store konsekvensar for individ, liv, miljø og samfunn. Det tar opp tema som: 1) Kva er "algoritmar", "robotar", "stordata", "maskinlæring" og "kunstig intelligens"? 2) Bruksområde og grenser. 3) Forholdet mellom kunstig og naturleg intelligens. 4) Robotar og automatisering av arbeidsliv og samfunnsoppgåver. 5) Sårbarheit og samfunnssikkerheit. 6) Stordata, overvaking og personvern. 7) Automatiserte avgjerdsprosesser. 8) Det teknologiske imperativ og den etiske skilnaden mellom kva vi kan gjere og kva vi bør gjere. 9)Kjensler, sjølvmedvit og moralske val. 10) Kulturelle representasjonar av kunstig intelligens: Visjonar, forventingar og redslar.
• FIL117 Kunstig intelligens (10 ECTS). Målet med dette emnet er å utforske kunstig intelligens frå ulike filosofiske perspektiv. Emnet vil for det første formidle og utvikle forståing for spørsmål om korleis vi skal forstå kunstig intelligens. Kva kan for eksempel kunstig intelligens fortelje oss om menneskeleg intelligens og omvendt? Emnet vil for det andre formidle og utvikle forståing for etiske spørsmål som oppstår i samband med bruken og utviklinga av kunstig intelligens. Kva for moglegheiter og kva slags risiko er til dømes forbundet med utviklinga av kunstig intelligens og korleis bør vi forholda oss til desse?
• AIKI100 Innføring i kunstig intelligens (10 ECTS). Målet med emnet er å gje ein brei introduksjon til kunstig intelligens som disiplin, og gje eit frampeik mot vidare kurs og moglege spesialiseringar. Kurset introduserer den tverrvitskaplege breidda til fagdisiplinen, den historiske utviklinga og bruken av idéar innan KI-forsking, relasjonen mellom kunstig intelligens og samfunn og dei etiske implikasjonane av denne relasjonen. Kurset vil også gje ein introduksjon til dei viktigaste resultata og utfordringane i underdisiplinane av KI, som kunnskapsrepresentasjon og resonnering, multi-agent-system, naturleg språkforståing, maskinlæring, planleggjjng og søk.
• AIKI110 Kunstige agentar (10 ECTS). Kunstig intelligens kan definerast som eit felt som gjer analyse og syntese av intelligent atferd til kunstige digitale agentar. Dette kurset fokuserer på "agent" som eit digitalt omgrep og gjev ei innføring i korleis omgrepet vert sett på og nytta innan KI, inkludert moralske sider, samarbeid og konkurranse mellom kunstige og naturlege agentar. Kurset dekkjer eit utval av følgjande tema: modellering av agentar, programmering av agentar, autonom agent-arkitektur, introduksjon til multi-agent-system (MAS), kontrollsystem og grunnleggjande robotikk. Dei praktiske aspekta av kurset dreier seg om agentprogrammering.
• AIKI210 Etikk i kunstig intelligens (10 ECTS). Kurset dekker tverrfaglege aspekt av kunstig intelligens (KI), spesifikt korleis KI-metodar og system samverkar med menneske, samfunn, lovgjeving og økonomi. Det dekker eit utval av desse områda: forklårleg KI (XAI), rettferd, pålitelege algoritmar og tillit (FAT), kunstig moral og ansvarleg bruk av KI. Kurset tilbyr også praksis i formidling om KI-spørsmål.
• LSCI650 Avmystifisering av kunstig intelligens (7,5 ECTS). The aim of the course is to provide an introduction to artificial intelligence and its uses in society in general and SMART cities in particular, and to provide an understanding of the benefits, limitations, and challenges in the use of AI. The course covers key concepts and techniques of artificial intelligence, and uses such as robotics, process automation, autonomous vehicles and entities, machine vision, machine learning applications, and natural language applications. The roles and relationships between humans and AI applications will be explored, as well as privacy and data protection, ethical and responsible use of AI.
• ELMED219 Kunstig intelligens og beregningsorientert medisin (6 ECTS). Kurset adresserer fordeler og ulemper ved «The computational mindset», maskinlæring og kunstig intelligens i fremtidens medisin, samt etiske aspekter og regulatoriske forhold ved medisinsk KI. Kurset er en veiledet «reise» gjennom utvalgte beregningsorienterte modelleringsteknikker innen biomedisinske og kliniske anvendelser. Eksempler, demonstrasjoner og oppgaver vil bli relatert til in vivo avbildning (MRI) og segmentering, biomarkører og prediksjon, nettverksanalyse («patient similarity networks»), multimodale data, samt store språkmodeller («foundation models») innen medisin og helse. Gjennom hele kurset vil studentene benytte prinsipper og moderne verktøy for dataanalyse, maskinlæring og generativ KI (f.eks. ChatGPT) innen medisinske anvendelser. Dette vil gi studentene en introduksjon til Python og Jupyter notebooks, bruk av «skyen» for tilgang til åpne data, beregninger og kunnskap, samt innsikt i og begrunnelse for «open science» og «reproducible research».
• INFO215 Web Science (10 ECTS). The course offers (1) an introduction to the basic concepts of the social web, (2) the basic principles of networks and how to measure them and (3) will teach students about cutting edge methods and technology for obtaining and analyzing web data.
• INFO216 Knowledge Graphs (10 ECTS). Students will learn theories, techniques, tools, and best practices for managing knowledge graphs. Students will acquire understanding and skills for programming applications that use and produce such data and metadata. Students will learn about existing sources of and standards for big, open, and semantic data. They will gain practical experience in developing knowledge graph-based applications using technologies such as RDF, RDFS, OWL, SPARQL, and JSON-LD.
• INFO282 Knowledge Representation and Reasoning (10 ECTS). The course introduces the principles of knowledge representation and reasoning. Relying on tools from propositional and first-order logic, it presents logic-based formalisms not only for representing different sorts of knowledge (such as uncertain knowledge and incomplete knowledge) and for performing different forms of reasoning (such as deductive reasoning, default reasoning and abductive reasoning) but also for reasoning about different aspects crucial in multi-agent systems (e.g., tools for reasoning about knowledge, reasoning about action and reasoning about change).
• INFO345 Research Topics in Recommender Systems (15 ECTS). This course offers an overview of approaches to develop and evaluate state-of-the-art recommender system methods. In particular, this course makes an extensive introduction to current algorithmic approaches for generating personalized recommender approaches, such as collaborative and content-based filtering, as well as more advanced methods such as hybrid recommender approaches, context-aware methods and approaches relying on machine learning techniques. The course will also discuss in detail how to evaluate recommender systems from an algorithmic and an interface perspective and what needs to be considered when adopting standard recommender approaches to particular domains or use cases.
• INFO371 Research Topics in Networks and Text Analysis (15 ECTS). The course is concerned with the use of methods for working with text and network data in information science and media studies. Such methods are becoming increasingly important in the social sciences and in industry for the analysis of data from many different sources, including data from social and mainstream media. The course will establish a theoretical understanding of methods in network science and text analysis and work with programs that implement such methods. It will cover language models, document clustering and comparison, supervised machine learning methods for the analysis of of documents, and network models for the analysis of the relationships between texts and users. The use of such methods as part of research strategies in information science and media studies will be emphasized and the course will provide theoretical and practical basis for working with methods for analyzing text and networks.
• INFO381 Research Topics in Artificial Intelligence (15 ECTS). The students should obtain advanced theoretical knowledge and technical skills on the topics covered in the course. It will enable students to carry out advanced research projects on topics within AI and apply the knowledge to complex intelligent system design and development. The course covers advanced theoretical and technical issues in artificial intelligence. It will focus on some selected topics and applications, such as artificial life, agent and multi-agent systems, machine learning, neural networks, genetic algorithms and programming, data mining, natural language processing, case-based reasoning, cognitive science, and neuro-computing. Each seminar is about one major topic and will be organized by experienced researchers within the field.
• INFO382 Logic for Multi-agent Systems (15 ECTS). Students will obtain advanced theoretical knowledge in the state of the art of formal logics for reasoning about interaction, and skills in using them to model and analyse multi-agent systems. The course will enable students to carry out advanced research projects in the areas of multi-agent systems, artificial intelligence, and modal logic, and give them an overview of the research frontier and open problems.
• INFO383 Forskingstema i kunstig intelligens og etikk (15 ECTS). AI ethics is the common reference to a collection of sub-fields in AI developed to respond to the issues of how to manage the moral, personal and societal impact of replacing people tasks and roles with AI powered computing. AI Ethics comprises of four main research sub-disciplines: fair-accountable-transparent AI (FAccT), explainable AI (XAI),responsible AI, and machine ethics (also called artificial morality). This course gives an introduction to AI Ethics and a general overview of the state of the art in AI ethics through immersing the students in the research process of an AI ethics topic.
• INFO384 Blokkjede-teknologi og formelle metoder (15 ECTS). The course aims at providing students with knowledge of blockchain technology. They will learn how to use the tools and techniques of formal logic and theoretical computer science to analyse and reason about various blockchain aspects and properties. Students will gain an in-depth understanding of formal methods for blockchain and be able to carry out research in the area. As blockchain technology becomes more and more ubiquitous, there is a growing demand for rigorous and formal understanding of its key aspects. The course will provide an advanced overview of blockchain theory and models with detailed analyses of some of its implementations. A special focus will be set on various notions of consensus, like proof-of-work and proof-of-stake. Both the blockchain itself and consensus will be then formally analysed using the notions and techniques of theoretical computer science, e.g. Merkle trees and modal logic. We will also cover one of the most prominent applications of blockchains - smart contracts. The focus will be on Ethereum smart contracts, and their implementation in Solidity programming language. The course will also include a detailed overview of cryptographic methods used to ensure the safety on a blockchain.
• UJO668 Teknologi, kunstig intelligens og gravejournalistikk (10 ECTS). Emnet har som mål å øva opp studentane i å forstå korleis stadig ny teknologi, som kunstig intelligens, gir mulegheter og avgrensingar i gravejournalistikken. Omdreiingspunktet vil vera forholdet mellom teknologien og gravejournalistikken si samfunnsrolle. Dette gjeld både avansert forståing av teknologiske verktøy i journalistikken, men også av korleis bruken av moderne teknologi på andre samfunnsområde påverkar journalistikken på ulike vis. Emnet vil visa korleis moderne journalistisk relevant teknologi, som KI, har historiske røter. Det vil også ha ein etisk dimensjon, der teknologiens etiske og juridiske rammevilkår vil bli kritisk analysert. Emnet vil ha ei kritisk tilnærming til ansvarleg bruk av ny teknologi og korleis den kan brukast til både tilsløring og til verifisering.
• INF161 Innføring i data science (10 ECTS). I dagens informasjonssamfunn er vi i stor grad utsette for viktige utfordringar innan data science i forsking, næringsliv og samfunn. Data science er ei samling av metodar med føremål å trekke ut kunnskap frå forskjellige typar data. I dette emnet vil du få ei oversikt over alle trinna i data science-prosessen, inkludert datainnsamling, dataførebuing, datahandsaming, dataanalyse med statistikk, maskinlærings- og visualiseringsmetodar og å implementere data science-løysingar. Vi vil òg studere etikk og samfunnsproblem relatert til data science.
• INF207 Sosial nettverksteori (10 ECTS). Emnet gjev eit oversyn over korleis teoretiske rammeverk frå ulike fagområde kan nyttast til å modellere og analysere komplekse sosiale nettverk. Sosial nettverksteori hjelper oss å forstå strukturen i ulike sosiale nettverk, korleis dei utviklar seg, korleis kommunikasjon i sosiale nettverk går føre seg, og korleis nettverk dannar grunnlag for samhandling. Nettverksomgrepet er sentralt i mange fag, blant anna økonomi, sosiologi, informatikk, informasjonsvitskap og matematikk. Ei tverrfagleg tilnærming til sosiale nettverk gjev moglegheit for å analysere fellestrekk ved tilsynelatande ulike fenomen, frå korleis informasjon, meiningar og oppførsel spreiar seg i elektroniske sosiale nettverk til korleis epidemiar og finansielle kriser utviklar seg til korleis søkjemaskinar nyttar lenkene mellom nettsidar for rangering av sider i eit nettsøk. Dei store datamengdene i applikasjonane i dag gjer at effektive algoritmar må nyttast.
• INF253 Visuell Data Science (10 ECTS). Emnet studerer den menneskelege sida av data science. Meir spesifikt vert det diskutert korleis etablerte prinsipp frå visualisering, visuell analyse, perseptiell psykologi og kognitiv vitskap kan nyttast i data science for å lage effektive verktøy for datautforsking. Emnet gjev også ein introduksjon til menneske-maskin-interaksjon, grensesnittdesign og effektiv datakommunikasjon skreddarsydd for forskjellige målgrupper.
• INF264 Innføring i maskinlæring (10 ECTS). Maskinlæring er ein grein av kunstig intelligens som fokuserar på algoritmar som lar datamaskinar lære frå og forandre åtferd basert på empiriske data. Emnet gjev ein forståing for det teoretiske grunnlaget til maskinlæring samt eit sett av konkrete algoritmar, deriblant beslutningstre, kunstige nevrale nett, bayesiansk læring og støttevektor-maskinar. Emnet inkluderar òg programmering og bruk av maskinlæringsalgoritmar på reelle datasett.
• INF265 Djup læring (10 ECTS). Kunstige nevrale nettverk er fleksible og mektige maskinlæringsmodellar. Moderne djuplæring har hatt stor suksess i å bruke komplekse nevrale nettverk i problem frå ei rekke forskjellige disiplionar. Dette emnet gir ei forståing av det teoretiske grunnlaget som ligg bak nevrale nettverk og djuplæring. I tillegg inkluderer emnet iverksetting av nevrale nettverk-komponentar og nyttig av djuplæring i reelle datasett ved bruk av moderne djuplæringspakkar.
• INF273 Metaheuristikkar (10 ECTS). Emnet tar sikte på å gi oversikt over moderne (meta)heuristiske optimeringsmetodar som er eigna til å løyse praktiske optimeringsproblem.
• INF 367 Utvalde emne i kunstig intelligens (10 ECTS). Emnet tar for seg aktuelle tema innan kunstig intelligens. Innhaldet vil variere kvar gong det blir undervist.
• INF368 Utvalde emne i maskinlæring (10 ECTS). Emnet tar for seg aktuelle tema innan maskinlæring. Innhaldet vil variere kvar gong det blir undervist. 
• INF626 Innføring i kunstig intelligens (5 ECTS). Emnet har som mål å gi studentane ei innføring i kunstig intelligens med spesielt fokus på tema i maskinlæring. Studentane skal forstå korleis utvalde maskinlærings-algoritmar verkar, og vil gje grunnleggjande evner i å nytta løysingar innanfor KI på moderne problem. Emnet tek opp tema som etikk i kunstig intelligens, klassifisering og regresjon, klyngedanning og neurale nettverk.
• MAT262 Bildebehandling (10 ECTS). Emnet tar for seg grunnleggjande algoritmar og matematisk teori som dannar grunnlaget for moderne digital behandling av lyd og bilde. Fourier- og wavelet baserte metodar, samt metodar basert på differensiallikningar er sentrale i kurset. Ein vesentleg del av kurset er praktiske øvingar på data frå til dømes medisinsk bildebehandling.
• STAT260 Statistisk læring (10 ECTS). Temaer som blir behandlet inkluderer regresjon, klassifisering, modellvalg og en viss innføring i maskinlæring. Studentane får erfaring i bruk av spesielle programpakker i R. Emnet gir detaljerte forklaringar av statistikk og matematisk teori knytt til emna slik at studentane kjenner til korleis og kvifor forskjellige statistikk- og maskinlæringsmetodar fungerer.
• DATA150 Datasett (5 ECTS). Programmering og verktøy for tilrettelegging og analyse av data. Import og eksport av data. Visualisering. Omforming og transformering av datasett (‘Data wrangling‘). Ressursar og programvare i Python for analyse, som PANDAS og NLTK.
• INFO125 Datahandtering (10 ECTS). Emnet presenterer teori og praksis knytt til utforming og bruk av relasjons- og NoSQL-databasar. Dette omfattar datamodellering med EER, relasjonsmodellen. databaseutforming og normalisering, spørjespråk samt prinsipp for fil-organisering og indeksering. Emnet tar også opp skillet mellom ulike typar data. Atomiske data vs strukturerte objekt, og oversyn over dei grunnleggjande konsepta og metodane i NoSQL databasar.
• INFO162 Innføring i HCI (10 ECTS). The course introduces students to analysis, design, and evaluation of the interaction between people and information and communication technologies. The aim is to give students an adequate understanding of the concepts of usability, user experience, and user-centered design. Special attention is given to understanding the lifecycle of interaction design with special emphasis on using qualitative and quantitative methods in establishing requirements and evaluating interactive technologies. Students will learn about current developments in the fields of interaction design and human-computer interaction.
• INFO180 Metodar i kunstig intelligens (10 ECTS). Emnet gjev teoretisk og praktisk grunnlag for fleire underdisplinar i kunstig intelligens. Kurset omhandlar teknikkar og algoritmar for effektiv resonnering med ulike formar for kunnskap. Hovudtema vil vere søk i tilstandsrom, representasjon og inferens med kunnskap og maskinlæring.
• INFO284 Machine Learning (10 ECTS). The course introduces machine learning, with a view towards data analysis applications. Topics covered are supervised learning (classification and regression) with deep learning, unsupervised learning including clustering, reinforcement learning, and the practice of machine learning.