EPN-V2

ACIT4420 Problem-solving with scripting Course description

Course name in Norwegian
Problem-solving with scripting
Study programme
Master's Programme in Applied Computer and Information Technology
Weight
10.0 ECTS
Year of study
2021/2022
Curriculum
FALL 2021
Schedule
Course history

Introduction

No formal requirements over and above the admission requirements.

Required preliminary courses

Etter fullført emne har studenten følgende læringsutbytte definert som kunnskap, ferdighet og generell kompetanse.;

Kunnskaper

Studenten har:

  • kunnskaper om landet/regionen og kulturen hvor studie/praksisoppholdet finner sted
  • innsikt i lokale barnehagepraksiser og pedagogisk tenkning i vertslandet/regionen
  • innsikt i situasjonen for barn i vertslandet/regionen
  • kunnskap om interkulturell teori, komparativ og flerkulturell pedagogikk;

Ferdigheter

Studenten kan:

  • kommunisere i en interkulturell kontekst
  • reflektere faglig, etisk og kritisk over egen og andres kulturelle og især pedagogiske tradisjoner og verdier;

Generell kompetanse

Studenten

  • er faglig og etisk reflektert med hensyn til interkulturell kommunikasjonsteori og praksis
  • kan tilrettelegge for en reflektert og faglig fundert flerkulturell pedagogikk i møte med det kulturelle og språklige mangfold(et) i norske barnehager;

Learning outcomes

The course consists of lectures, assignments, presentation seminars, and project work. Students will actively participate in the seminars by presenting papers, listening, and discussing on other presentations. The aim of the course is to provide a research-oriented education in the field. Students will do research projects with the aim of cultivating them towards good future researchers.

Practical training

None.

Content

  • The Python programming language
  • Scientific Programming using Python
  • Automating tasks using Python
  • Utility libraries for interacting with other subsystems and frameworks
  • Git

Teaching and learning methods

Obligatoriske aktiviteter:

  • Obligatorisk deltakelse i forberedelsesprogram

Følgende arbeidskrav må være godkjent før eksamen kan avlegges:

  • Innlevering av ett til to refleksjonsnotater, som vurderes av veileder/faglærer. Omfang: om lag 1500 ord pr. notat.

Arbeidskrav skal være levert/utført innen fastsatt(e) frist(er). Gyldig fravær dokumentert med for eksempel sykemelding, gir ikke fritak for å innfri arbeidskrav. Studenter som på grunn av sykdom eller annen dokumentert gyldig årsak ikke leverer/utfører arbeidskrav innen fristen, kan få forlenget frist. Ny frist for å innfri arbeidskrav avtales i hvert enkelt tilfelle med den aktuelle læreren.

Arbeidskrav vurderes til -Godkjent- eller -Ikke godkjent-. Studenter som leverer/utfører arbeidskrav innen fristen, men som får vurderingen -Ikke godkjent-, har anledning til én ny innlevering/utførelse. Studenten må da selv avtale ny innlevering av det aktuelle arbeidskravet med faglærer. Studenter som ikke leverer/utfører arbeidskrav innen fristen og som ikke har dokumentert gyldig årsak, får ingen nye forsøk.;

Course requirements

Avsluttende vurdering består av en skriftlig gruppeoppgave (4000-5000 ord avhengig av gruppestørrelse). Normalt to til tre studenter pr. gruppe.;

Ny/utsatt eksamen

Ny/utsatt eksamen gjennomføres som ved ordinær eksamen. Dersom det ikke kan dannes en gruppe kan ny/utsatt eksamen gjennomføres individuelt. Omfanget av den skriftlige oppgaven vil da bli tilpasset individuell gjennomføring av eksamen.

Studentens rettigheter og plikter ved ny/utsatt eksamen framgår av;Forskrift om studier og eksamen ved OsloMet . Studenter er selv ansvarlige for å melde seg opp til eventuell ny/utsatt eksamen.

Assessment

Alle hjelpemidler tillatt

Permitted exam materials and equipment

Det gis gradert karakter A-F.

Grading scale

Eksamen vurderes av to interne sensorer.;

Examiners

Bachelor level knowledge of the following topics is helpful for understanding some of the concepts in this course:

  • linear algebra
  • vector calculus
  • basic statistics and probability.

Some experience with programming, especially with Python, and any machine learning frameworks such as Keras, TensorFlow, and scikit-learn will be beneficial.

Course contact person

This course covers the fundamental principles of machine learning and deep learning methods and best practices in solving problems effectively. Most of the problems are related and applicable in many areas such as computer vision, surveillance, assistive technology, medical imaging etc. Therefore, the course intends to provide case studies and examples of ML and DL in solving various problems. Students can explore the tremendous potential of modern AI, ML and DL methods and techniques in solving problems in different application domains through project work.