0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Expected outcomes:Basic concepts of data science (Machine Learning) missing.The lifecycle of data science and individual assignments (both one pager and design document) were helpful :)The design document could have been explained better, maybe with an example. Found the course useful, especially the value/industrial side of things.More practical, industry-based lectures that help to build the portfolio.Changing the description to make it clear that previous Machine learning experience will be really helpful.Found low code and no code tools beneficial. TAs were helpful and quick.Communication with the course leader was very early, easy and fast.Guest lectures were very helpful and well-rounded. What could be better:A literature list could help.Examples of good reports.More examples and clarity in the grading scheme.Grade-wise template/structure could be more helpful.

NTNU:TIA:REST

Institutt for datateknologi og informatikk

Department of Computer Science

Engelsk

Norsk

Mer om vurdering

Grupperapport teller 100 % og presentasjonen er obligatorisk for å bestå emnet. En individuell rapport er obligatorisk og må være godkjent for å kunne levere grupperappporten.Det blir ingen utsatt eksamen.

Anbefalte forkunnskaper

Forkunnskapskrav

Faglig innhold

Data science omfatter en omfattende samling metoder og teknologier for innhenting (mining), aggregering og analyse av data. Siktemål for de fleste AI kurs er skolering i de metodiske aspektene. Kurset her er derimot rettet mot å utvikle kjennskap til, ferdigheter i og kompetanse om de mest anvendte metodene. Kurset utnytter det faktum at svært mange forretningsnære, praktiske anvendelser av data science ikke forutsetter bruk av de mest sofistikerte metodene. Svært mange praktiske problemer fra private og offentlige virksomheter kan løses med kjente metoder som finnes tilgjengelig i kommodifiserte teknologier i form av open source programvare.

Kursmateriell

Læringsutbytte

Kunnskap: Kandidaten skal etablere dyp kunnskap om utvalget av data science metoder, teknologier og algoritmer. Ferdigheter: Kandidaten skal utvikle gode ferdigheter i å sette opp og konfigurere data science verktøy. Kandidaten skal videre ha gode evner til å identifisere hvilke metoder som egnet å løse hvilke praktiske problemer. Kandidaten skal også ha gode evner til å tilrettelegge og pre-prosessere data for input. Kompetanse: Kandidaten skal etablere kompetanse for betingelsense for å anvende utvalgte data science metoder til å adressere forretningsmessige og strategiske utfordringer.

Læringsformer og aktiviteter

Kurset er bygget opp med forelesninger samt prosjektoppgave. Studentene skal gjennomføre et gruppebasert prosjekt som skal presenteres og en individuell oppgave. I gruppeprosjektet skal studentene gjennomføre en problemnær analyse av realistiske, forretningsnære data. Gruppeprosjektet gir en praktisk øving av ferdigheter med å konfigurere verktøy, pre-prosessere data og gjennomføre forretningsnære analyser. Den individuelle oppgaven diskuterer gruppeprosjektet i lys av relevant litteratur fra fagets pensum. Den endelige karakteren er basert på karakteren i gruppeprosjektet. Den individuelle oppgaven og presentasjonen er obligatorisk, men inngår ikke i sluttkarakteren. Kurset kan bli forelest på engelsk dersom det tas av studenter uten norskkunnskaper.

Individuell rapport

Presentasjon av gruppearbeid

Anvendt data science

Informasjonssystemer

Industriell økonomi

Bedriftsøkonomi

Entreprenørskap

Foretaksøkonomi og administrasjon

Bachelor i digital forretningsutvikling

Datateknologi - masterstudium (2-årig)

Datateknologi - masterstudium (5-årig)

Master of Science in Informatics

Informatikk - masterstudium

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(26502)/FieldValuesAsText

<ol><li>Better distribution of guest lectures throughout the course</li><li>Maintenance and monitoring of data science projects.</li><li>Smoother registration of projects</li><li>Only single submissions by group projects/reports</li></ol>

General feedback: Is the course helpful?Helpful, primarily due to project. It allows for building intuition and a critical eye on available data and extracting values from data. Enjoy building the bridge from theoretical to practical steps and analysis, producing value in the real world. UPDATE: Group project with mixed skill sets is interesting. A lot of learning in the group project. How can it be more helpful?Basic terminology and well-defined prerequisites. Project details are available clearly beforehand. UPDATE: More time to finalize the groups and group project datasets. What would you like to change about the course?Grouping based on efforts needed in the course. Power BI is not relevant for everyone. Uploading the presentation as a follow-along resource. Small practical tasks for visualization. How well do the lectures, assignments and projects help you learn the course outcomes?Yes!

Grupperapport teller 100% og presentasjonen er obligatorisk for å bestå emnet. En individuell rapport er obligatorisk og må være godkjent for å kunne levere grupperappporten.Det blir ingen utsatt eksamen.

Information Systems (Master's Programme)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(21006)/FieldValuesAsText

The actions consist of improving the quality of some online videos to demonstrate software use, providing grading criteria earlier in the semester, and adding more content on responsible AI and how it is implemented in practice based o growing demand for it.

The students indicated that they enjoyed working in practice with the group projects and they have learned a lot of practical skills while doing so. They also noted that the individual project could be adapted, which is the plan for next year to allow for more flexibility in how they structure it.

The students asked for more information about when and how they could contact the TAs of the course so the plan for next year is to concretely define this in the first lecture already.

Alle trykte og skrevne

Begge delvurderingene må være bestått for å bestå emnet. Det blir ingen utsatt eksamen. Ved gjentak må hele emnet gjentas. 

Data science omfatter en omfattende samling metoder og teknologier for innhenting (mining), aggregering og analyse av data. Siktemål for de fleste AI kurs er skolering i de metodiske aspektene. Kurset her er derimot rettet mot å utvikle kjennskap til, ferdigheter i og kompetanse om de mest anvendte metodene. Kurset utnytter det faktum at svært mange forretningsnære, praktiske anvendelser av data science ikke forutsetter bruk av de mest sofistikerte metodene. Svært mange praktiske problemer fra private og offentlige virksomheter kan løses med kjente metoder som finnes tilgjengelig i kommodifiserte teknologier i form av open source programvare. 

Kurset er bygget opp med forelesninger samt prosjektoppgave. Studentene skal gjennomføre et gruppebasert prosjekt og en individuell oppgave. I gruppeprosjektet skal studentene gjennomføre en problemnær analyse av realistike, forretningsnære data. Gruppeprosjektet gir en praktisk øving av ferdigheter med å konfigurere verktøy, pre-prosessere data og gjennomføre forretningsnære analyser. Den individuelle oppgaven diskuterer gruppeprosjektet i lys av relevant litteratur fra fagets pensum. Det gruppebaserte prosjektet teller 50% og den individuelle oppgaven 50% av evalueringen. Begge deloppgavene må være bestått for å bestå emnet. Kurs kan bli forelest på engelsk dersom det tas av studenter uten norskkunnskaper. 

Kunnskap: Kandidaten skal etablere dyp kunnskap om utvalget av data science metoder, teknologier og algoritmer. Ferdigheter: Kandidaten skal utvikle gode ferdigheter i å sette opp og konfigurere data science verktøy. Kandidaten skal videre ha gode evner til å identifisere hvilke metoder som egnet å løse hvilke praktiske problemer. Kandidaten skal også ha gode evner til å tilrettelegge og pre-prosessere data for input. Kompetanse: Kandidaten skal etablere kompetanse for betingelsense for å anvende utvalgte data science metoder til å adressere forretningsmessige og strategiske utfordringer. 

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(15466)/FieldValuesAsText

Anvendt data science - TDT4259