DATA3750 Applied AI and Data Science project Course description

I dette emnet skal studentene få en forståelse av noen av de viktigste prinsippene i Data Science og kognitive teknologier gjennom prosjektarbeid og online-ressurser. Studentene skal introduseres for grunnleggende prinsipper i maskinlæring, data science og kunstig intelligens. Hovedfokuset vil være på anvendelse av disse prinsippene for å løse industrielle oppgaver ved bruk av open-source eller andre data science plattform (som for eksempel IBM Watson). Målet med emnet er å gi studentene en introduksjon til maskinlæring, data science og kunstig intelligens ved bruk av online-ressurser samtidig som studentene skal løse et industrielt problem i form av et større prosjektarbeid.

Prosjekt kan utføres på sommeren. Valgemnet igangsettes forutsatt at det er et tilstrekkelig antall studenter som velger emnet.

Emnet bygger på DAPE1400 Programmering og DAPE2000 Matematikk med statistikk. Studenter som ikke har grunnleggende programmerings- og statistikk-kunnskap vil måtte påregne en betydelig egeninnsats for å dekke dette.

The teaching will consist of a combination of:

• Lectures & discussions
• Independent studies including video recordings and online exercises
• Coursework assignment
• Short laboratory exercises
• Practical use of tools and software

Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten

• innehar grunnleggende teknisk forståelse av de viktigste konseptene innenfor maskinlæring, data science og kunstig intelligens.
• kjenner de viktigste metodene innenfor maskinlæring, data science og kunstig intelligens.
• er kjent med plattformer som kan benyttes til å gjennomføre større data science prosjekter (for eksempel IBM Watsons cloud services)

Ferdigheter

Studenten

• behersker grunnleggende Data Science verktøy og kan ekstrahere og visualisere informasjon fra større datamengder.
• forstår arbeidsflyten i større Data Science, kunstig intelligens- eller maskinlæringsprosjekter.
• kan anvende open-source og kommersielle verktøy som benyttes til å løse industrielle prosjekter innenfor Data Science, maskinlæring eller kunstig intelligens.

Generell kompetanse

Studenten

• behersker metoder og verktøy for utforming og gjennomføring av prosjekter innenfor Data Science, maskinlæring eller kunstig intelligens.
• er kjent med de forskjellige metodene som brukes for å finne riktig verktøy for å gjennomføre Data Science-prosjekter.
• har oversikt over hvordan man visualiserer, manipulerer data og utvikler prediktive modeller for å løse industri- og andre arbeidslivsrelevante problemer

One computational assignment reported in 5 pages, in groups of 2-3 students must be passed.

Students who fail to meet the coursework requirements can be given up to one re-submission opportunity. 

One coursework project, including a

1. final written group report, 2-3 students (max. 3000 words) counting 70% of the grade,
2. an oral group presentation (15 min) followed by an individual-based Q&A assessment (5-10 min); counting 30% of the grade.

Part 1 can be appealed, part 2 can't be appealed.

In the event of failed or valid absence of exam, the postponed exam will be given as either an oral or written examination.

All aids permitted.

A grade scale with grades from A to E for pass (with A being the highest grade and E being the lowest pass grade) and F for fail is used in connection with the final assessment. 

1) Two internal examiners.

2) Two internal examiners

 External examiners are used regularly.

No formal requirements over and above the admission requirements.