DS831: Programmering for Data Science

Dette kursus kan ikke følges af kandidatstuderende på Datalogi. 
Kurset kan ikke følges hvis DM574, DM550, DM562, DM536, DM857, DS830, DS801 DSK801, DSK811 eller MM560 er bestået, eller indgår obligatorisk i din studieordning.

Ingen

Formålet med kurset er at gøre det muligt for den studerende at løse dataanalyseopgaver for en mangfoldighed af problemer fra forskellige forskningsområder.Ud over algoritmisk tænkning omfatter dataanalysearbejdsgange aktiviteter som datamodellering, indsamling, rengøring, behandling og midler til at visualisere visse attributter i grundlæggende plots. Dette er vigtigt i forhold til resten af datavidenskabsuddannelsen, da det danner grundlag for gennemførelsen af dataanalyseprojekter.

Kurset giver et akademisk grundlag for at studere emnerne Data Mining og Machine Learning, Applied Machine Learning, Visualization og Deep Learning, der er en del af uddannelsen.

Studerende, der deltager i kurset, vil især opnå følgende “21st Century Skills”:

• Evnen til at integrere og vurdere oplysninger
• Kompetence til at finde, udnytte og vurdere oplysninger
• Være i stand til at udføre og implementere software
• Være fleksibel og tilpasningsdygtig
• Deltage i løsning af problemer og arbejde effektivt i teams

Læringsmålet for kurset er, at den studerende skal kunne demonstrerer evnen til at:

• Anvende lærte problemløsningsstrategier på forskellige databehandlingsopgaver
• Tilpasse eksisterende løsninger til relaterede opgaver på tværs af domæner
• Udvikle nye dataanalysestrategier
• Udvikle Python-programmer, der implementerer databehandlingsarbejdsgange
• Finde, vælge og udnytte eksisterende moduler til at indsamle, rense og behandle data
• Udvikle data på tværs af dataanalyseløsninger i projekt-teams
  

Kurset indeholder følgende faglige hovedområder:

1. Grundlæggende databehandling og algoritmisk tænkning

2. Python programmering:
   • grundelementer
    • valg
    • løkker
    • funktioner
    • datastrukturer (lister, associative)
    • moduler
    • fil I/O, undtagelser
    • klasser
    • grundlæggende datavisualisering

3. Dataanalysearbejdsgange med datasæt fra forskellige domæner, f.eks.:
    • biografidata
    • klimadata
    • tekster
    • numeriske data

Skemalagte undervisningstimer: 

Antal undervisningstimer i alt: 75

• Fællestimer i klasselokale/auditorium: 40
• Holdtimer i klasselokale: 35
  

Forelæsninger introducerer nyt materiale og nye emner, som vil blive bearbejdet gennem øvelser i færdighedstræningsfasen. Øvelsesark forberedes derhjemme og diskuteres i øvelsestimerne for at validere den opnåede viden.

Andre planlagte undervisningsaktiviteter:

• Forelæsningerne inkluderer flere praktiske hands-on-aktiviteter (f.eks. læsning og forståelse af kode, skrivning af små programmer) for at give de studerende mulighed for at anvende og bruge den tilegnede viden.
• Holdtimer omfatter ca. 30 timers øvelsesklasser og ca. 5 timer til feedback på udvikling af gruppeprojekter.