EPN-V2

MLEST5900 Master Thesis Course description

Course name in Norwegian
Masterprosjekt
Study programme
Teacher Education in Practical and Aesthetic Subjects for Years 1-13, Design, Arts and Crafts
Weight
45.0 ECTS
Year of study
2024/2025
Course history

Introduction

Det er tillatt å ha med ett produkt og ett A4-ark med notater.

Required preliminary courses

Eksamen vurderes etter gradert skala fra A til E for bestått og F for ikke bestått.

Learning outcomes

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

Kunnskap

Studenten

  • har avansert kunnskap om design, kunst og håndverk som skolefag og forskningsfelt, nasjonalt, nordisk og internasjonalt
  • har inngående kunnskap om egen profesjon, lærerrollen, undervisning og læring innen fagområdet
  • har inngående kunnskap om vitenskapsteori og forskningsmetoder som er relevant for utdanningsforskning, med særlig vekt på praktiske og estetiske fag
  • har inngående kunnskap om forskningsetikk rettet mot utdanning og praktisk skapende arbeid

Ferdigheter

Studenten

  • kan kritisk analysere og reflektere over faglige problemstillinger basert på kunnskap om undervisning, fagets egenart og verdigrunnlag
  • kan anvende avansert fagdidaktisk kunnskap som er relevant for et avgrenset tema på en selvstendig og reflektert måte
  • kan analysere eksisterende teorier, anvende relevante metoder for forskning og reflektere over etiske problemstillinger
  • kan anvende metoder for praktisk skapende arbeid i innovasjonsprosesser, design eller kreativ utforskning
  • kan formidle eget praktisk skapende arbeid ved hjelp av digitale medier og verktøy.

Generell kompetanse

Studenten

  • kan kritisk anvende forskningsbasert, profesjonsrettet kunnskap til utforskning av nye problemområder
  • kan på et avansert nivå formidle og kommunisere om faglige problemstillinger knyttet til profesjonsutøvelsen
  • kan analysere og forholde seg kritisk til ulike informasjonskilder og anvende disse til å strukturere og formulere faglige resonnementet

Teaching and learning methods

Innholdet i fordypningen består av følgende fire hovedtema:

1. Natur og økologi

  • økologi
  • naturmangfold
  • ulike naturmiljøer
  • natursyn

2. Materialitet og estetisk praksis

  • materielle erfaringer og materialforståelse
  • håndverk og teknologi
  • kunst og estetisk praksis

3. Demokrati og rettferdig fordeling

  • global forståelse
  • solidaritet og rettferdig fordeling
  • barns rettigheter og medvirkning

4. Ledelse og veiledning

  • pedagogisk ledelse og ulike tilnærminger til bærekraftig utvikling/bærekraft.
  • veiledning i faglige prosesser av personale i barnehagen

Course requirements

Arbeidskrav må være innfridd og være vurdert til godkjent før studentene kan fremstille seg til eksamen.

  • Fremlegg av masterprosjektet for medstudenter og lærer på minst to fou-seminarer.
  • Deltagelse i planlegging og forberedelse av felles digital plattform for presentasjon av masterprosjektene.

Assessment

We are witnessing the era of Big Data where data is generated, collected, and processed at an unprecedented scale and data-driven decisions influence many aspects of modern life.

Data mining is the process of discovering patterns in large data sets involving methods in statistics and database systems. A large number of applications such IoT sensors generate large amounts of data streams. The necessity of data stream mining and learning from the data is increasingly becoming more prevalent and urgent.

Extracting knowledge from data sets requires not only computational power but also programming abstractions as well as analytical skills. In this course, the students will be exposed to the different approaches for data mining and stream processing such as association rules learning, anomaly detection, data clustering, visualizations, and extracting statistical features on the fly from large data streams. The students will be exposed to concrete data mining and neural network architectures including deep learning models for handling large data streams such as convolutional neural networks, recurrent neural networks, autoencoders, transformers and attentions. In this course, the student will also be exposed to different data mining systems, working end-to-end pipelines including performance evaluation, detecting overfitting, underfitting, and data defects. With a focus on data mining applications, we will study some powerful numerical linear algebra methods.

Permitted exam materials and equipment

No formal requirements over and above the admission requirements.

Grading scale

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

Knowledge

Upon successful completion of the course, the student:

  • has a deep understanding of how data mining can be used to extract knowledge from data sets.
  • has advanced knowledge of the different data mining algorithms

Skills

Upon successful completion of the course, the student:

  • can design and implement data mining algorithms
  • can deploy different data mining systems and configure them
  • can utilize a specialized library for data mining

General competence

Upon successful completion of the course, the student:

  • can use data mining systems to mine data
  • can analyse data mining solutions with regard to robustness and in relation to his/her intended tasks
  • can explain how data mining can be used in different applications areas such as business analytics

Examiners

This course is divided into two parts. The first part with focus on covering the principles of data mining and stream processing. Different seminars will be given on the different methodological aspects of data mining and stream processing as well as the programming paradigms and software tools that enable them.

The second part will focus on the students completing a programming project. The project can be chosen from a portfolio of available problems. The student will work in a group on the project and submit a final code-base with a report.

During this part, there may be lectures if needed, but most of the time will be spent on individual supervision of students in lab-sessions.

Practical training

Lab sessions.