ACIT4530 Data Mining at Scale: Algorithms and Systems Emneplan

Tilsvarende opptakskrav i programplanen.

It is an advantage to have some experience with the following subjects:

• Mathematical Analysis
• Basic programming, such as scripting
• Statistics, specifically probability theory

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

Kunnskap

Studenten

• Har kunnskap til prinsipper for algoritmisk tenkning
• Har kjennskap til utvikling og oppbygging av programmer basert på visuell programmering
• Har kunnskap om ulike verktøy for visuell programmering
• Har forståelse av grunnleggende programmeringsprinsipper: løkker, betingelser, variabler og funksjoner
• Har kjennskap til hvordan datamaskiner og programmer fungerer
• Har kunnskap om programmering i gjeldende læreplaner og i fagfornyelsen

Ferdigheter

Studenten

• Kan identifisere og dekomponere et problem, og utforme løsninger som gjør bruk av programmering
• Kan utvikle programmer ved bruk av visuell blokkprogrammering
• Kan kommentere programmeringskode
• Kan generalisere, tilpasse og videreutvikle enkle programkoder og algoritmer
• Kan undervise i algoritmisk tenkning
• Kan gjennomføre enkle undervisningsopplegg med programmering
• Kan veilede elever i arbeid med algoritmisk tenkning og analog og visuell programmering

Generell kompetanse

Studenten

• Kan gjøre rede for algoritmisk tenkning og programmering i skolen
• Kan reflektere over programmering i skolen, i læreplan og integrert i fag
• Kan reflektere over hvordan programmering kan ses i sammenheng med kreativitet, samarbeid og problemløsing
• Kan gjøre rede for hvordan digitalisering kan påvirke og endre samfunnet

Studiet er helt nettbasert, men krever at studentene følger en gitt plan og progresjon, for å skape et felles læringsmiljø med øvrige deltakere og involverte lærere. Studiet vil ta i bruk instruksjonsvideoer, nettbaserte forelesninger og diskusjoner og det vil bli gitt tilbud om veiledning i nettmøter.

Studiet forutsetter studentaktivitet knyttet til praktiske øvingsoppgaver, samarbeid, refleksjoner, medstudentvurderinger og erfaringsdeling på egen arbeidsplass.

• Data mining systems
• Data mining and machine learning algorithms
• Deep learning and neural networks for datamining
• Data stream processing methods, such as, but not limited to, anomaly detection, clustering, association rule learning
• Distributed reinforcement learning for data mining.
• Data visualization

Det er to arbeidskrav i emnet. Retten til å avlegge eksamen forutsetter at begge arbeidskravene er vurdert til godkjent.

• Arbeidskrav 1:

1. Individuelt refleksjonsnotat om programmering i skolen (om lag 1000 ord).

• Arbeidskrav 2:

1. Del 1, individuelt: Utvikling av program.
2. Del 2, gruppearbeid: Refleksjonsnotat etter drøfting av program fra del 1 (om lag 1500 ord).

For utfyllende informasjon om arbeidskrav, se programplanen.

Eksamen gjennomføres i slutten av høstsemesteret. Eksamen er en individuell skriftlig hjemmeeksamen. Varighet: tre arbeidsdager. Omfang om lag 2000 ord.

Alle hjelpemidler tillatt.

Det gis bokstavkarakterer med A som beste og E som dårligste karakter på bestått eksamen. Karakteren F brukes ved ikke bestått eksamen.

Eksamen vurderes av to interne sensorer. Tilsynssensor kvalitetssikrer eksamensoppgaven.

Se programplanen.

Emnet gir en innføring i grunnleggende visuell programmering og begreper inkludert algoritmisk tenkning. Det blir lagt vekt på hvordan programmering kan inngå i skolekonteksten i begynneropplæring og integrert i fag. Først og fremst blir det fokusert på praktisk arbeid med visuell programmering. Følgende tema vil bli vektlagt:

• Problemløsing og algoritmisk tenkning
• Grunnleggende visuell programmering og programmeringsprinsipper
• Programmering som kompetanse i samfunnet, læreplaner og i Fagfornyelsen
• Utvikling av kreativitet og samarbeid i programmeringsaktiviteter