EPN-V2

DATS2300 Algorithms and Data Structures Course description

Course name in Norwegian
Algoritmer og datastrukturer
Study programme
Bachelor in Applied Computer Technology
Bachelor's Degree Programme in Software Engineering
Bachelor's Degree Programme in Mathematical Modelling and Data Science
Bachelor's Degree Programme in Information Technology
Weight
10.0 ECTS
Year of study
2022/2023
Curriculum
FALL 2022
Schedule
Course history

Introduction

Etter fullført emne har studenten følgende læringsutbytte definert som kunnskap, ferdigheter og generell

kompetanse:

Kunnskap

Studenten

  • har avansert kunnskap i kroppsøving og kroppsøvingsdidaktikk om elevers læring
  • har inngående kunnskap om sentrale teoretiske perspektiv som omhandler kropp, bevegelse, fysisk aktivitet og læring
  • har inngående kunnskap tilpasset opplæring og inkludering i kroppsøving

Ferdigheter

Studenten

  • kan analysere og forholde seg kritisk til nasjonal og internasjonal forskning på kropp, bevegelse, fysisk aktivitet og læring
  • kan analysere faglige problemstillinger basert på kunnskap om kroppsøvingsfagets egenart, verdigrunnlag og historie og bruke slik innsikt i planlegging av undervisning, forskings- og utviklingsarbeid
  • kan kritisk anvende forskningsbasert profesjonsretta kunnskap i kroppsøvingsfaget som grunnlag for utforsking av nye problemområder
  • kan planlegge og gjennomføre undervisning i kroppsøvingsfaget basert på vitenskapelige tenkemåter
  • kan analysere og drøfte forholdet mellom identitet, bevegelse, fysisk aktivitet og læring

Generell kompetanse

Studenten

  • kan på et avansert nivå formidle og kommunisere om faglige problemstillinger knyttet til profesjonsutøvelsen
  • kan analysere og vurdere relevante faglige og etiske problemstillinger i tilknytning til kropp, bevegelse, fysisk aktivitet og læring, og bidra til utvikling av faglig fellesskap på den enkelte skole
  • kan bidra til utviklingsarbeid som fremmer faglig og pedagogisk nytenkning i skolen
  • kan reflektere kritisk over hvilken rolle bevegelse, fysisk aktivitet og kropp har i et samfunn preget av mangfold

Recommended preliminary courses

Passed the course SYKP/SYKP1060 Evidence-Based Practice (EBP) in Health Care.

Required preliminary courses

No requirements over and above the admission requirements.

Learning outcomes

After completing the course, the student is expected to have achieved the following learning outcomes defined in terms of knowledge, skills and competence:

Knowledge

The student is capable of:

  • explaining the structure and purpose of data structures such as tables, lists, stacks, different types of queues, heaps, hash tables, different types of trees, graphs and files
  • explaining the function and efficiency of different variants of algorithms for counting, entering, searching for, deleting, traversing, sorting, optimising and compressing data

Skills

The student is capable of:

  • analysing, designing, and implementing data structures, and evaluate which data structures are suited for specific tasks
  • analysing, designing, implementing and using the algorithms required to solve specific tasks
  • using both self-developed and standardised algorithms and data structures to solve complex and complicated problems

General competence

The student is capable of:

  • participating in discussions and providing advice on what data structures and algorithms are most expedient in different situations
  • communicating the importance and necessity of using good structures and efficient algorithms in programming projects

Teaching and learning methods

Det benyttes to interne sensorer. En tilsynssensor er tilknyttet emnet, i henhold til retningslinjer for

oppnevning og bruk av sensorer ved OsloMet.

Course requirements

Etter å ha gjennomført dette emnet har studenten følgande læringsutbytte, definert som kunnskap, ferdigheiter og generell kompetanse:

Kunnskap

Studenten

  • kan gjere greie for hovudtrekka i den historiske utviklinga av kvantefysikken.
  • har ei viss forståing for at materie må oppfattast som både bølger og partiklar.
  • kjenner til fenomen som er spesifikke for kvanteverda - som ikkje har nokon parallellar i den verda vi ser til dagleg.
  • veit korleis visse enkle algoritmar for kvanteinformasjonsbehandling fungerar.

Ferdigheiter

Studenten

  • kan vise til eksempel på korleis kvantefenomen som tunnellering, kvantisering og samanfiltring kan utnyttast teknologisk.
  • kjenner til hovudforskjellane mellom korleis ei vanleg, klassisk datamaskin og ei kvantedatamskin fungerar.
  • er i stand til å sette opp og køyre enkle kvante-program - anten på simulatorar eller på faktiske kvantedatamskinar.

Generell kompetanse

Studenten

  • beherskar - til ei viss grad - begrepsapparatet knytt til kvantefysikk og -teknologi.
  • kan bidra konstruktivt i faglege samtalar som har med kvanteteknologi å gjere.
  • evnar å diskutere og problematisere aspekt ved tolkinga av kvantefysikken.

Assessment

Undervisinga vil bli lagt opp som klasseromsundervising - på dagtid. Det vil vere snakk om økter på tre timar, éin gong i veka gjennom omtrent to månader.

Deltakarane vil bli kjend med stoffet gjennom ulike tilnærmingar:

  • Presentasjon av stoff
  • Praktiske demonstrasjonar av enkle kvante- og bølgefenomen
  • Tilrettelagte simuleringar
  • Køyring av eigne, små program på faktiske kvantedatamaskinar
  • Gjesteførelesingar
  • Diskusjonar og samtalar

Vi vil legge til rette for høg grad av student-deltaking ved undervisinga. Det vil bli rikeleg med rom for å stille spørsmål, komme med undring og diskutere ulike, til dels ikkje-intuitive, aspekt ved kvantefysikk og -teknologi.

Det vil i liten grad bli lagt opp til eige arbeid mellom undervisingsøktene - ut over det å lese relevant litteratur.

Permitted exam materials and equipment

Emnet bygger på emnet MEK1000 Matematikk 1000.

Grading scale

Pass/fail.

Examiners

Two examiners assess the examination papers. At least 10% of the examination papers will be assessed by an external examiner. The external examiner’s assessment shall benefit all students.

Overlapping courses

SYKK2000 and SYKP2000 overlap 100 %.