IKT526 Emerging AI technologies

UiA →7.5 studiepoeng

Studentvurdering

Hvor relevant opplever du emnet?

Gjennomsnittlig svar: ingen svar

Svært irrelevantSvært relevant

Hva er ditt generelle inntrykk av kurset?

Gjennomsnittlig svar: ingen svar

Svært dårligSvært bra

Hva synes du om emnets nivå?

Gjennomsnittlig svar: ingen svar

Svært lettSvært vanskelig

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Gjennomsnittlig svar: ingen svar

Svært litenSvært stor

KARAKTERFORDELING · H 2025

33 kandidater

Grupper etter kjønn

SEMESTER

SNITTKARAKTER

3,03 av 5 poeng

UiA snitt: 3.27

STRYKPROSENT

18,2 %

UiA snitt: 4,1 %

KANDIDATER PER ÅR

SEMESTRE MED DATA

Eksamen og forkunnskaper

Slik vurderes du

Mappe/sammensatt vurdering

Kilde: Felles studentsystem (FS) via Universitetet i Agder, slik den var publisert for høsten 2026. Universitetet i Agder er ikke ansvarlig for innholdet på denne siden.

Om IKT526

UiA sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Innhold

The course will introduce the students to advanced AI models and how to implement them through programming. In the lab, students will learn different techniques such as tokenizing, data analysis, etc.

The course will introduce the students to advanced concepts in Gen Artificial Intelligence and to illustrate clearly the way to implement these AI models.

Quick Recap of Supervised and Unsupervised learning, (Image Generation), Text to image: Stable diffusion, etc. Basic of NLP, Different LLM Models and its component (Data Preparation, Training optimization, Sampling techniques, Quantization), RAG Model and its component (Indexing, Data vectorization, Retrievers), Data Prediction: Preprocessing, Different models such as Seq to Seq, Informer, PSF, diff preprocessing Hybrid AI models.

Vis resten (8 avsnitt)

Læringsutbytte

On successful completion of the course, the students should:

have thorough understanding of the foundations and distinctions between classical machine learning and modern generative AI paradigms.
understand the architecture and components of modern generative AI systems including diffusion models, LLMs, and RAG pipelines.
have advanced knowledge of the architecture, training strategies, and limitations of large language models and diffusion-based image generation systems.
be able to implement and fine-tune pre-trained models for domain-specific applications within computational resource constraints.
understand the role of retrieval and vectorization in augmenting language model performance.
be able to document, present, and reflect on AI system development in a structured portfolio format.

Anbefalte forkunnskaper

IKT469 Deep Neural Networks

Opptakskrav hvis tilbudt som enkeltemne

Admission requirements for the course are the same as for the master’s programme in AI and IoT.

Undervisnings- og læringsformer

The course introduces the students to advanced AI models and how to implement them through programming. In the lab, students learn different techniques such as tokenizing, data analysis, etc.

The course is organized in combination of lectures, assignments, paper studies, labs, report writing and self-study. The tasks are done individually or in small groups with group supervision.

The workload for the average student is approximately 200 hours.

Undervisningsspråk

English

Eksamen

Graded portfolio assessment. Information about the content of the portfolio will be given in Canvas by the start of the semester. There will not be arranged a postponed exam for the portfolio.

Studentevaluering

The person responsible for the course decides, in cooperation with the student representative, the form of student evaluation and whether the course is to have a midway or end of course evaluation in accordance with the quality system for education, chapter 4.1.

Tilbys som enkeltemne

Yes. Subject to availability or capacity.

Kilde: Felles studentsystem (FS) via Universitetet i Agder, slik den var publisert for høsten 2026. Universitetet i Agder er ikke ansvarlig for innholdet på denne siden.

Kommentarer

Hva burde andre vite før de tar dette? Anonymt, ingen innlogging.

Ofte stilte spørsmål

Hvor mange studiepoeng er IKT526?: IKT526 (Emerging AI technologies) ved UiA gir 7,5 studiepoeng.
Hva er strykprosenten i IKT526?: Samlet strykprosent for IKT526 ved UiA er 18,2 %, basert på 33 kandidater. Siste semester (høst 2025) var den 18,2 %.
Hvor vanskelig er IKT526?: Snittkarakteren i IKT526 er C (3.03 av 5 poeng), mot 18,2 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved UiA.
Hvor kommer tallene for IKT526 fra?: Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Studieprogram med dette emnet

Basert på hvor kandidatene til eksamen var registrert (DBH).

Relaterte emner ved UiA

Emner som tas i de samme studieprogrammene som IKT526.

IKT453 Intelligent Data Management snitt A · 0 % stryk
MA-447 AI Mathematics snitt C · 26,8 % stryk
IKT452 Computer Vision snitt B · 0 % stryk
IKT454 5G and IoT: Fundamentals snitt B · 0 % stryk
IKT457 Learning Systems snitt C · 17,5 % stryk
IKT464 Advanced ICT Project snitt B · 0 % stryk
IKT460 Reinforcement Learning snitt B · 0 % stryk
IKT465 Research Methods snitt B · 0 % stryk

Mer om UiA

Les om karakterfordelingen ved UiA →Les om UiA →

Finner retningen …

Om IKT526

UiA sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Innhold

The course will introduce the students to advanced concepts in Gen Artificial Intelligence and to illustrate clearly the way to implement these AI models.

Vis resten (8 avsnitt)

Læringsutbytte

On successful completion of the course, the students should:

have thorough understanding of the foundations and distinctions between classical machine learning and modern generative AI paradigms.
understand the architecture and components of modern generative AI systems including diffusion models, LLMs, and RAG pipelines.
have advanced knowledge of the architecture, training strategies, and limitations of large language models and diffusion-based image generation systems.
be able to implement and fine-tune pre-trained models for domain-specific applications within computational resource constraints.
understand the role of retrieval and vectorization in augmenting language model performance.
be able to document, present, and reflect on AI system development in a structured portfolio format.

Anbefalte forkunnskaper

IKT469 Deep Neural Networks

Opptakskrav hvis tilbudt som enkeltemne

Admission requirements for the course are the same as for the master’s programme in AI and IoT.

Undervisnings- og læringsformer

The course introduces the students to advanced AI models and how to implement them through programming. In the lab, students learn different techniques such as tokenizing, data analysis, etc.

The course is organized in combination of lectures, assignments, paper studies, labs, report writing and self-study. The tasks are done individually or in small groups with group supervision.

The workload for the average student is approximately 200 hours.

Undervisningsspråk

English

Eksamen

Graded portfolio assessment. Information about the content of the portfolio will be given in Canvas by the start of the semester. There will not be arranged a postponed exam for the portfolio.

Studentevaluering

Tilbys som enkeltemne

Yes. Subject to availability or capacity.

Kilde: Felles studentsystem (FS) via Universitetet i Agder, slik den var publisert for høsten 2026. Universitetet i Agder er ikke ansvarlig for innholdet på denne siden.

Ofte stilte spørsmål

Hvor mange studiepoeng er IKT526?

IKT526 (Emerging AI technologies) ved UiA gir 7,5 studiepoeng.

Hva er strykprosenten i IKT526?

Samlet strykprosent for IKT526 ved UiA er 18,2 %, basert på 33 kandidater. Siste semester (høst 2025) var den 18,2 %.

Hvor vanskelig er IKT526?

Snittkarakteren i IKT526 er C (3.03 av 5 poeng), mot 18,2 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved UiA.

Hvor kommer tallene for IKT526 fra?

Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Karakterfordeling og studentvurderinger i IKT526

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Slik vurderes du

Om IKT526

Innhold

Læringsutbytte

Anbefalte forkunnskaper

Opptakskrav hvis tilbudt som enkeltemne

Undervisnings- og læringsformer

Undervisningsspråk

Eksamen

Studentevaluering

Tilbys som enkeltemne

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved UiA

Mer om UiA

Karakterfordeling og studentvurderinger i IKT526

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Slik vurderes du

Om IKT526

Innhold

Læringsutbytte

Anbefalte forkunnskaper

Opptakskrav hvis tilbudt som enkeltemne

Undervisnings- og læringsformer

Undervisningsspråk

Eksamen

Studentevaluering

Tilbys som enkeltemne

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved UiA

Mer om UiA