epn-portlet

Emneplan forDATA3750 Anvendt kunstig intelligens og data science prosjekt

Engelsk emnenavn
Applied AI and Data Science project
Studieprogram
Høst: Bachelorstudium i ingeniørfag - data / Bachelorstudium i informasjonsteknologi / Bachelorstudium i anvendt datateknologi
Omfang
10 stp.
Studieår
2020
Emnehistorikk

Innledning

I dette emnet skal studentene få en forståelse av noen av de viktigste prinsippene i Data Science og kognitive teknologier gjennom prosjektarbeid og online-ressurser. Studentene skal introduseres for grunnleggende prinsipper i maskinlæring, data science og kunstig intelligens. Hovedfokuset vil være på anvendelse av disse prinsippene for å løse industrielle oppgaver ved bruk av open-source eller andre data science plattform (som for eksempel IBM Watson). Målet med emnet er å gi studentene en introduksjon til maskinlæring, data science og kunstig intelligens ved bruk av online-ressurser samtidig som studentene skal løse et industrielt problem i form av et større prosjektarbeid.

I tillegg til prosjektene som tilbys, kan studenten selv finner et oppdrag i en relevant bedrift, offentlig organisasjon eller ideell organisasjon som stiller med en veileder (såkalt ekstern veileder). Alle studentinitierte prosjekter må godkjennes av en veileder ved OsloMet før prosjektstart.

Arbeidsmengden tilsvarer to dager i uken over en 12 ukers periode. Dersom prosjektet gjennomføres om sommeren skal arbeidsmengden tilsvare 4 dager i uken over en 6-ukers periode.

Valgemnet igangsettes forutsatt at det er et tilstrekkelig antall studenter som velger emnet.

Anbefalte forkunnskaper

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.

Forkunnskapskrav

Ingen ut over opptakskrav.

Læringsutbytte

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

Arbeids- og undervisningsformer

Arbeidsformen i dette emne er hovedsakelig prosjektarbeid, enten individuelt eller i grupper på opp til fem studenter. Studentene får tilgang til relevante online-ressurser, og får veiledning av intern og/eller ekstern veileder. 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. Emnet kan gjennomføres individuelt etter avtale med emneleder.

Prosjektene velges/tildeles ved semesterstart. 

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

Disse kursene bør være gjennomført før studentene setter i gang med sine respektive prosjekter.

Arbeidskrav og obligatoriske aktiviteter

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

  • Emnet starter med en introduksjonssamling med obligatorisk oppmøte.
  • En prosjektskisse som beskriver hvordan gruppen vil gå fram for å gjennomføre sitt prosjekt.
  • En standard læringsavtale må inngås mellom prosjekttilbyder/veileder og studenten(e), og denne må godkjennes av intern veleder før prosjektet kan starte.
  • Tre møtereferater fra veiledningsmøter i løpet av prosjektperioden

Frist for innlevering av prosjektskisse og møtereferatene vil fremgå av undervisningsplanen som gjøres tilgjengelig ved semesterstart.

Vurdering og eksamen

Mappevurdering som består av to deler:

1. Prosjektrapport, individuelt eller i gruppe (maks. 5 studenter), 3000 ord +/-10 %

2. Muntlig presentation, ndividuelt eller i gruppe (maks. 5 studenter), 10 + 5 minutter

Eksamensresultat kan ikke påklages.

Mappen gis en helhetlig vurdering med én karakter, men både prosjektrapporten og muntlig presentasjonen må vurderes til bestått for at mappen som helhet skal bli vurdert til E eller bedre.

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

Hjelpemidler ved eksamen

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

Vurderingsuttrykk

Gradert skala A-F.

Sensorordning

To interne sensorer. Ekstern sensor brukes jevnlig.