course-details-portlet

IT3212 - Datadrevet Programvare

Om emnet

Nytt fra studieåret 2023/2024

Vurderingsordning

Vurderingsordning: Rapport
Karakter: Bokstavkarakterer

Vurdering Vekting Varighet Delkarakter Hjelpemidler
Rapport 100/100

Faglig innhold

Dette kurset vil gi følgende:

  1. Håndtere virkelige data produsert fra dataapplikasjoner, for eksempel brukergrensesnitt, tjenester og andre programmer.
  2. Utfør tilstrekkelige dataprosesser (f.eks. funksjonsutvinning, valg og reduksjon av dimensjonalitet) for å støtte programvareutvikling.
  3. Bruk ML-teknikker (f.eks. overvåket, uten tilsyn, semi- og svakt overvåket) for å berike moderne programvareutvikling.
  4. Lær å løse problemer i den virkelige verden ved å bruke programvare med datadrevne modelleringsteknikker (f.eks. kunnskapsslutning).

Konkret vil vi dekke følgende emner:

  1. Introduksjon til data og grunnleggende statistikk.
  2. Forbehandling og kalibrering av datadata (f.eks. databehandling og signalbehandlingsteknikker)
  3. Kunnskapsutvinningsteknikker fra datadata (f.eks. funksjonsutvinning, funksjonsplassreduksjon).
  4. Grunnleggende modelleringsteknikker (f.eks. KNN, Naive Bayes, Gauss-prosess, Beslutningsgrenser)
  5. Avanserte modelleringsteknikker (f.eks. SVM, tilfeldig skog, ANN og ensemblelæringsalgoritmer)
  6. Styrke systemer med uovervåket læringsevne (f.eks. personaliseringstjenester og anbefalte systemer).
  7. Styrke systemer med semi-overvåket og svakt veiledet læringsevne (f.eks. adaptiv støtte).
  8. Styrke systemer med sanntidsfunksjoner (f.eks. gjennom tidsserieanalyse og prognoser)
  9. Sette ting sammen: Bruke datadrevne teknikker for å designe og utvikle moderne programvare.

Læringsutbytte

  • Kunnskap
  1. Analyse av virkelige data med statistikk og maskinlæring
  2. Funksjonsvalg og dimensjonsreduksjonsteknikker
  3. Anvendelse av veiledet, uveiledet, semi- og svakveiledet læring
  • Ferdighet
  1. Oversetter virkelige problemer til maskinlæringsrom
  2. Bruk av passende rørledning (serie med metoder)
  • Kompetanse
  1. Kjenn til feltet maskinlæring sett fra SE, IS, HCI-industrien

Læringsformer og aktiviteter

Forelesninger og prosjektarbeid. Hvert team må levere prosjektleveranser i løpet av semesteret og en sluttrapport. Karakterisering er teambasert, men individuelle karakterer kan gis i spesielle tilfeller. Emnet undervises på engelsk.

Obligatoriske aktiviteter

  • Tre innleveringer relatert til sluttrapporten

Mer om vurdering

Rapporten fra prosjektet er grunnlaget for karakteren i kurset. Studentene må også levere obligatoriske leveranser gjennom hele semesteret. Den obligatoriske aktiviteten er tre forskjelliger innleveringer relatert til sluttrapporten.

Ved gjentak må hele emnet gjentas.

Forkunnskapskrav

Emnet er forbeholdt studenter opptatt på MSIT-retningen "Interaksjonsdesign spill- og læringsteknologi", MTDT/MIDT-profilene "Programvareutvikling", "Digital virksomhetsutvikling", eller "Interaksjonsdesign og spillteknologi" og lektorutdanning i realfag (studieretningen for matematikk og informatikk) (eller kontankt faglærer for evaluering).

Kursmateriell

Oppgis ved semesterstart.

Flere sider om emnet

Ingen

Fakta om emnet

Versjon: 1
Studiepoeng:  7.5 SP
Studienivå: Høyere grads nivå

Undervisning

Termin nr.: 1
Undervises:  HØST 2023

Undervisningsspråk: Engelsk

Sted: Trondheim

Fagområde(r)
  • Informatikk
  • Informasjonsteknologi
  • Tekniske fag
Kontaktinformasjon
Emneansvarlig/koordinator:

Ansvarlig enhet
Institutt for datateknologi og informatikk

Eksamensinfo

Vurderingsordning: Rapport

Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
Høst ORD Rapport 100/100

Innlevering
10.12.2023


14:00

Rom Bygning Antall kandidater
  • * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato. Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.
Eksamensinfo

For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"

Mer om eksamen ved NTNU