MLEST1300 Art, design and innovation in materials Course description

Emnet gir grunnleggende innføring i praktisk, skapende arbeid i ulike materialer, slik det fremkommer i gjeldende læreplaner. Skapende arbeid har gjennom historien og i ulike kulturer blitt synlig i produksjon av nyttegjenstander, kunstverk og i teknologisk innovasjon. Evnen til å skape, designe og uttrykke seg står også sentralt i utviklingen av et bærekraftig, demokratisk og mangfoldig samfunn.

I emnet vektlegges arbeid med harde, plastiske og myke materialer. Det fokuseres på praktiske ferdigheter, materialforståelse, kunst og designprosesser samt kulturforståelse. Faglig og fagdidaktisk refleksjonsevne utvikles i møtet mellom eget og andres skapende arbeid, praksisopplæringen og profesjonsfag og gjennom utprøving av teoretisk og praktisk kunnskap

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

Kunnskap

Studenten

• har kunnskap om form, farge og komposisjon samt ulike materialer, redskaper og teknikker.
• har kunnskap om innovasjon, kunst- og designprosesser og estetiske læreprosesser.
• har kunnskap om ulike kunst- og kulturuttrykk lokalt og globalt, og ser sammenheng mellom samfunnsutvikling, lokale forhold og visuell- og materiell kultur.
• har innsikt i forskning og utviklingsarbeid, relevant for kunst og håndverk som skolefag.

Ferdigheter

Studenten

• behersker ulike teknikker, redskaper og materialer og viser praktisk håndlag i utførelsen av skapende arbeid.
• kan arbeide utforskende, kreativt og systematisk i en skapende prosess.
• kan utvikle en ide og anvende formale og visuelle virkemidler for å skape visuelle ytringer og formuttrykk.
• kan bruke relevant faglitteratur og fagterminologi og presentere egen arbeidsprosess.
• kan vurdere og ta stilling til HMS utfordringer i verksteder.

Generell kompetanse

Studenten

• kan bidra til å fremme innovasjon, gjenbruk og bærekraftig utvikling i egen praksis.
• kan kommunisere om og bidra til forståelse for samisk håndverk, kunst og kulturuttrykk.
• kan ta ansvar, veilede og samarbeide i felles prosjekter.
• har generell verkstedskompetanse knyttet til arbeid med ulike materialer, redskaper og maskiner.

The student should have the following outcomes upon completing the course:

Knowledge

Upon successful completion of the course, the student:

• will have a good understanding the different concepts and methods of supervised and unsupervised statistical learning and how to apply them on large data.
• has advanced knowledge of probabilistic formulation of the various learning problems.
• has focused knowledge of theoretical aspects of the different methods in machine learning and statistical learning, as well as a deep knowledge of concepts and assumptions behind each method.

Skills

Upon successful completion of the course, the student:

• can apply different high-dimensional regression techniques on data
• can apply different classification techniques on data
• can apply clustering techniques on data
• can apply dimension reduction techniques on data
• can make informed decisions on which method suits best for a particular problem and/or data set
• can derive learning algorithms for new models and analyze new data with them.

General competence

Upon successful completion of the course, the student:

• can apply different predictive models on data and assess their performance
• can use supervised and unsupervised learning in different real life problem

This course has three main parts.

The first three weeks cover revisions on statistics and scientific method, briefly presenting also the basics in (Python) programming, selection of a problem, etc. (i.e. revisions of several of the focus points in DATA3800).

After that there will be 7 weeks with presenting and solving exercises, covering the book "Introduction to Statistical Learning".

Finally the course has 3 to 4 weeks bridging the content presented during the weeks before with other scientific fields and topics, namely in Applied AI and in Mathematical Modelling. In particular, connections to the courses " Applied and Computational Mathematics (ACIT4310)" and "Evolutionary Artificial Intelligence and Robotics (ACIT4610)" will be addressed.

The weekly classes will be divided in three parts: (1) a theoretical exposition of the new content introduced each week, (2) one set of exercises/problems implementing the content presented during the theoretical exposition, and (3) supervision of each student in his/her specific project (see "Assignment").

The following required coursework must be approved before the student can take the exam:

A project plan document containing a description of the chosen data set, a preliminary research question and suggested tools and method to apply.

An individual project report approximately 2500 - 5000 words, excluding appendixes.

The exam can be appealed,

New/postponed exam

In case of failed exam or legal absence, the student may apply for a new or postponed exam. New or postponed exams are offered within a reasonable time span following the regular exam. The student is responsible for registering for a new/postponed exam within the time limits set by OsloMet. The Regulations for new or postponed examinations are available in Regulations relating to studies and examinations at OsloMet.

All aids are permitted, provided the rules for plagiarism and source referencing are complied with.

Grade scale A-F.