DSK801: Programmering for Data Science

Kurset samlæses med DSK811: Introduktion til programmering

Kurset følges også af studerende på cand. merc. i Data Driven Business Development

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: 90 

Heraf:  

Fællestimer i klasselokale/auditorium: 54  

Holdtimer i klasselokale: 21  

Forelæsning letter introduktionen til nyt materiale og emner, som i færdighedstræningsfasen behandles med øvelser, der er forberedt hjemmefra og drøftes i klassen for at validere den erhvervede viden

Andre planlagte undervisningsaktiviteter:  

Giver de studerende mulighed for at anvende og bruge den erhvervede viden.