DATA3750 Applied AI and Data Science project Course description

Two internal examiners. External examiners are used regularly.

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 course builds on DAPE1400 Programming and DAPE2000 Mathematics with statistics. Students that do not have basic knowledge of programming and statistics must be prepared to make considerable individual efforts to acquire such knowledge.

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

Arbeidsformen i dette emne er hovedsakelig prosjektarbeid, enten individuelt eller i grupper på opp til fem studenter. Studentene får tilgang til relevante online-ressurser, og får veiledning av intern og/eller ekstern veileder. Studentene vil arbeide i grupper på 3-5 studenter ved å gjennomføre et prosjekt innenfor Data Science, maskinlæring eller kunstig intelligens i samarbeid med relevante eksterne aktører som bedrifter eller statlige organisasjoner. Emnet kan gjennomføres individuelt etter avtale med emneleder.

Prosjektene velges/tildeles ved semesterstart.

Veileder vil foreslå passende online-kurs innen AI og Data Science som studentene bør ta i løpet av de første ukene av kurset. Studentene oppfordres også til å ta andre kurs (https://cognitiveclass.ai) som vil være nyttige for å løse den valgte prosjektoppgave. Disse kursene kan blant annet berører følgende områder: Blockchain, Internet of Things, Chat Bots, avansert bruk av Data Science, m.m.

Disse kursene bør være gjennomført før studentene setter i gang med sine respektive prosjekter.

Følgende arbeidskrav er obligatorisk og må være godkjent for å kunne framstille seg til eksamen:

• Emnet starter med en introduksjonssamling med obligatorisk oppmøte.
• En prosjektskisse som beskriver hvordan gruppen vil gå fram for å gjennomføre sitt prosjekt.
• En standard læringsavtale må inngås mellom prosjekttilbyder/veileder og studenten(e), og denne må godkjennes av intern veleder før prosjektet kan starte.
• Tre møtereferater fra veiledningsmøter i løpet av prosjektperioden

Frist for innlevering av prosjektskisse og møtereferatene vil fremgå av undervisningsplanen som gjøres tilgjengelig ved semesterstart.

Prosjektrapport.

Prosjektrapport skrevet individuelt eller i gruppe på opp til fem studenter, på 3000-4000 ord som beskriver hvordan oppgaven har blitt løst, og som viser at studentene har en grunnleggende forståelse av teknologiene og metodene som har blitt benyttet. I spesielle situasjoner kan man etter søknad levere individuelt eksamensprosjekt.

Eksamensresultat kan påklages.

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

Gradert skala A-F.

I gruppeprosjekt vil alle studentene i gruppen få samme karakter.

To interne sensorer. Ekstern sensor brukes jevnlig.