Task description

In this assignment, you are required to develop AI based web application with prototype for Flood Detection.  The  assignment  should  consist  of  data  processing,  model,  comparison,  and  its evaluation.

Integrate any one subareas of AI, including traditional topics such as search, machine learning, natural  language  processing,  and  agent  systems.  The  development  must  be  focused  on  AI techniques in the context of Flood Detection application. Dataset might include several parameters such as water dams’ management, draining system, raindrop volume, population and many other contributing factors which may lead to flood.

For the chosen area, critically analyze the existing work or related work to identify the algorithms and  apply the AI techniques  and identify the  state  of the  art  for the  entire  framework  and development of model, comparison, and its evaluation. You must look at potential problems drawn (but simplified) from real research or application problems.

Develop web application prototypes using any prototyping tools such as Rapid API, Google AI, InVision, Adobe XD,Sketch, etc. The prototype related to the application of machine learning algorithms should be clearly shown.

In  model  development  and  implementation  (Coding),  you  may  use  the java,  python,  or  R programming used in tutorials to develop your model or another agreed (with your module leader) and/or scripting language. The design and implementation of the library of functions/classes should follow established software engineering practices, for example they should be easily re- used in other SDKs or development platform (recall cohesion, coupling, reuse, etc.). You may re- use existing ADTs that you have already developed or used, for example stacks.

Recommend using the existing dataset from Kaggle, GitHub, the UCI machine learning repository, and others. It is highly encourage you to do some data pre-processing and analysis to get familiar with the problem you want to address in this research.

Submission Requirements

1.   Font type               : Times New Roman

2.   Font size               : 12

3.   Line spacing         : 1.5

4.   Alignment             : Justify Text

5.   Document type     : .pdf and R File (. R)

6.  Number of pages  : 5 – 20 pages (do not exceed the page limit)

7.   Your full report should consist of the following:

a)   Cover page (Name, ID, Date, Signature, Score)

b)  Marking Rubrics & Declaration (attach as second page in the report)

c)  Report of your answer script

d)  Appendixes (line spacing = 1.0)

•   List of references (APA format)

• R File

•   Report of similarity score-Turnitin (percentage of similarity score from each source needs to be shown)

8.   Start each question on a separate page

9.   All figures and tables are labelled properly.

10. File naming conventions: StudentName_Assignment1

Notes:

•   Student is not allowed to transcribe directly (copy and paste) any material from another source into their submission.

•   Start each question on a new page

•   Answer in form of short essay (50 to 200 words) and print out the relevant R program outputs

•   All process/functions must be clearly explained.

•   Include in-text citation to support your answers and add the list of references at the end of your report (APA format). The list of references is to be alphabetized by the first author's last name, or (if no author is listed) the organization or title.

•   The Turnitin similarity for this module is 20% overall and lesser than 1% from a single source excluding program source codes.

Following deliverables must be completed

Assessment Marking Criteria - Total: 60 Marks (Normalized to 30%)

1.   Introduction – 5 Marks

2.   Dataset description and pre-processing (Practical) – 5 Marks

3.   Web application prototype design (Practical) – 10 Marks

4.   Architecture diagram and explanation -5 Marks

5.   Model practical implementation and comparisons (Practical) – 20 Marks

6.   Conclusion and future work – 5 Marks

7.   Presentation – 10 Marks