IND320 Data til beslutning

Studiepoeng:10

Ansvarlig fakultet:Fakultet for realfag og teknologi

Emneansvarlig:Kristian Hovde Liland

Campus / nettbasert:Undervises campus Ås

Undervisningens språk:Engelsk

Frekvens:Årlig

Forventet arbeidsmengde:For et 10 sp emne må det påregnes 250 timers arbeid.

Undervisnings- og vurderingsperiode:Emnet har undervisning/vurdering i høstparallellen

Om dette emnet

Hovedvekt vil være på ende-til-ende databehandling, analyse og presentasjon for overvåking og beslutningsstøtte. Gjennom ulike use case vil data bli hentet fra databaser, online kilder og/eller sensorer, filtrert/renset, kombinert/analysert og presentert for sluttbrukeren. Dashboard med plott og nøkkelverdier vil være viktigste output.

Kurset støtter opp under FNs bærekraftmål 4 (god utdanning - industrirelevans for studentene), 9 (industri, innovasjon og infrastruktur - bedre utnyttelse av industrielle data, intern og ekstern infrastruktur), 10 (mindre ulikhet - bruk av åpne plattformer, programmeringsspråk og verktøy) og 12 (ansvarlig forbruk og produksjon - effektivisere og forbedre produksjonsprosesser).

Dette lærer du

Kunnskap

Teoretiske aspekter som databasespørringer, APIer, algoritmer, osv. vil bli belyst der det er behov mens praktiske problemer er hovedtema.

Ferdigheter

Studenten vil lære å planlegge, implementere og teste et system for datafangst, databearbeiding og tilgjengeliggjøring for sluttbruker. Hun vil lære om aktuelle datatyper, datakvalitet, samt å ta i bruk verktøy som trengs for å gi støtte til beslutninger og forbedret automatisering.

Generell kompetanse

Ved bruk av obligatorisk oppgaver som bygger på hverandre og involverer studenter på kryss gjennom fagfellevurdering, vil studentene lære om kortsiktige og langsiktige mål, bruk av konstruktiv kritikk og kontinuerlig forbedring av prosesser og produkter.

  • Læringsaktiviteter

    Forelesningene vil være en blanding av teori og praktiske aktiviteter. Diskusjoner av for eksempel konsekvenser av design- og implementasjonsvalg, mål og måloppnåelse kan inngå i grupper og plenum.

    Et langsgående semesterprosjekt med implementering og dokumentasjon gjennomføres som modulbasert mappevurdering (se eksamen). Milepæler knyttet til tema i forelesningene vil fagfellevurderes underveis, mens endelig godkjenning gjøres av faglærer.

  • Læringsstøtte
    Faglærer vil være tilgjengelig på forelesningene, og øvingslærer eller faglærer vil være tilgjengelig på øvingstimer. Padlet.com eller lignende verktøy vil benyttes til spørsmål og svar mellom forelesninger slik at faglærer, øvingslærer og medstudenter kommunisere åpent. Canvas og GitHub vil brukes til deling av planer, forelesningsmateriale og kode.
  • Pensum
    Pensumliste deles ut ved kursstart.
  • Forutsatte forkunnskaper
    Grunnleggende programmeringsferdigheter i Python (tilsvarende NMBUs INF120).
  • Anbefalte forkunnskaper

    Videregående programmering, inkludert versjonskontroll og objektorientering (tilsvarende NMBUs INF201).

    Introduksjon til maskinlæring (tilsvarende NMBUs DAT200 eller MLA210).

    Introduksjon til databaser (tilsvarende NMBUs INF230).

  • Vurderingsordning, hjelpemiddel og eksamen
    Mappevurdering: Fagfellevurdering av moduler i semesterprosjekt. Moduler leveres enkeltvis innen gitte tidsfrister, og heleheten vurderes til bestått/ikke bestått. Modulene bygger på hverandre og inneholder implementering, dokumentasjon og teori.

    Skriftlig skoleeksamen Karakterregel: Bokstavkarakterer Hjelpemiddel: A1 Ingen kalkulator, ingen andre hjelpemidler
  • Sensorordning
    Sensor skal være involvert i utarbeidelse av kriterier for kvalitet, samt vurderingsopplegg
  • Merknader
    Antall studenter som skal ta kurset er svært vanskelig å anslå. Noe av læringsaktiviteten vil måtte tilpasses antall studenter som deltar.
  • Undervisningstider

    Forelesninger: ca 52 timer.

    Øvinger: ca 26 timer.

    Obligatorisk aktivitet og egenstudium: ca 172 timer.

  • Overlapp
    Emnet overlapper 100% med VU-IND320.