SFB4100 Basics in Systemic Perspectives Course description

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

Jevnlig oppfølging av prosjektarbeidet av en prosjektveileder.

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. Det skal skrives en rapport som beskriver prosjektet og hva studenten har fått ut av deltakelse i prosjektet.

Veileder kan foreslå passende online-kurs innen AI og Data Science som studentene kan 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.

Emnet kan gjennomføres individuelt etter avtale med emneleder.

Prosjektene velges/tildeles ved semesterstart.

Studenten skal etter å ha fullført emnet ha følgende totale læringsutbytte definert i kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten har

• avansert kunnskap om teorier som er grunnlaget for systemisk og familieterapeutisk tenkning og praksis
• inngående kunnskap om enkelte vitenskapsteoretiske perspektiver som utgjør familieterapeutens tenkning og handlingsmåte
• inngående kunnskap om familieterapiens historie, utvikling, egenart og anvendelse
• inngående kunnskap om systemisk endringsteori og verdimessige premisser i familieterapi
• analytisk oversikt over de ulike familieterapeutiske tilnærminger

Ferdigheter

Studenten kan

• anvende begreper og perspektiver fra den systemiske grunnlagsforståelsen på faglige problemstillinger man møter i praksis
• forstå skillet mellom det mekanistiske og systemiske paradigme, og reflektere over hvordan forståelse og handling som springer ut fra de to paradigmene virker inn på praksis og mellommenneskelige møter

Generell kompetanse

Studenten kan

• analysere faglige problemstillinger i lys av relevante systemteoretiske perspektiver og teorier
• kommunisere hvordan forståelse og handling forankret i den systemiske grunnlagsforståelsen virker inn på mellommenneskelige møter
• være bevissthet sin egen rolle og posisjon i møte med brukere, grupper og samarbeidspartnere

Undervisningen veksler mellom forelesninger, gruppearbeid og eget arbeid.

Skriftlig prosjektrapport (100% av karakteren) 

Skriflig prosjektrapport levert på slutten av semesteret. individuelt eller i gruppe (maks. 5  studenter), 4000 ord +/-10 %

Normalt får alle i gruppen samme karakter, men under eksepsjonelle omstendigheter kan individuelle karakterer tildeles etter prosjektveilederen(e) og studieleder sin vurdering.

Eksamensresultat kan påklages.

Eksamen i emnet er en individuell hjemmeeksamen over en periode på 7 dager. Besvarelsen skal ha et omfang på 9 sider (+/- 10 prosent). Skrifttype og skriftstørrelse: Calibri 12pkt. Linjeavstand: 1,5.

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

Gradert skala A-F.

Det benyttes intern og ekstern sensor til sensurering av besvarelsene.

Et uttrekk på minst 25 % av besvarelsene sensureres av to sensorer. Karakterene på disse samsensurerte besvarelsene skal danne grunnlag for å fastsette nivå på resten av besvarelsene.

Alicja Olkowska