DATA2600 Assistive and welfare technologies Emneplan

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

Ingen utover opptakskrav.

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.

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

• En prosjektskisse som beskriver hvordan gruppen vil gå fram for å gjennomføre sitt prosjekt.
• En standard samarbeidsavtale må inngås mellom prosjekttilbyder/veileder og studenten(e), og denne må godkjennes av emnekoordinatoren før prosjektet kan starte.
• Tre møtereferater fra veiledningsmøter i løpet av prosjektperioden.
• Muntlig presentasjon midtveis i semesteret, individuelt eller i gruppe (maks. 5 studenter), 10 minutter + 5 minutter til spørsmål.

Fristene for prosjektskissen og møtereferater vil fremgå av undervisningsplanen som gjøres tilgjengelig ved semesterstart.

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.

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

To interne sensorer. Ekstern sensor brukes jevnlig.

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.

Gradert skala A-F.

En sensor. Ekstern sensor brukes jevnlig.