Verktyg för data science, 7,5 hp

Innehåll

Kursen behandlar grundläggande verktyg och arbetssätt inom data science med fokus på praktisk programmering, datahantering och reproducerbar analys. Kursen betonar praktisk färdighet, transparens och självständigt lärande snarare än specifika verktygs detaljer, i syfte att förbereda studenten för fortsatt lärande och arbete inom data science i föränderliga tekniska miljöer.

Kursen introducerar centrala programmeringskoncept i R, såsom objekt, datatyper, funktioner och kodexekvering, samt vanliga felkällor och strategier för felsökning. Vidare behandlas datahantering med fokus på att omvandla ostrukturerade data till analyserbara format inklusive datatransformationer, sammanfogning av data och hantering av saknade värden. Kursen omfattar även arbetsflöden för dataanalys, såsom projektstruktur, reproducerbar analys, rapportering samt grundläggande versionskontroll.

Kursen avslutas med ett dataanalysprojekt vars resultat ska presenteras muntligt för specificerade målgrupper. Dataanalysprojektet ska också skriftligt dokumenteras enligt de principer som behandlats under kursen.
Kursen innehåller också introduktion till användning av generativ AI som stöd i programmering och problemlösning, med betoning på ansvarsfull och reflekterad användning.

Kursen består av tre moduler.

Modul 1: Kod, struktur och arbetsflöden för data science (3.5 hp)

Modul 2: Självständigt lärande av verktyg inom data science (1 hp)

Modul 3: Dataanalysprojekt (3 hp)

Förväntade studieresultat

Kunskap och förståelse:

Studenten ska kunna

1. redogöra för hur R är uppbyggt kring objekt, datatyper och funktioner.
2. redogöra för vanliga felkällor i dataanalys (t.ex. saknade värden, datatypsproblem, faktorvariabler, datum- och textdata).

Färdigheter och förmåga:
Studenten ska kunna

3. skriva och generera R-kod, självständigt och med stöd av generativ AI, för att importera, rensa, transformera och sammanfoga data till ett analyserbart format med hjälp av etablerade verktyg (t.ex. dplyr).
4. identifiera och åtgärda fel i R-kod (debugging).
5. självständigt demonstrera funktion och användningsområde för ett för kursen nytt verktyg med relevans för data science.
6. tillämpa principer för reproducerbar analys, versionskontroll och strukturerad projektorganisation (mappstruktur) i ett dataanalysprojekt.
7. genomföra ett dataanalysprojekt och anpassa presentationen av dess resultat till målgrupp och kontext.

Värderingsförmåga och förhållningssätt:
Studenten ska kunna

8. ge konstruktiv återkoppling på dataanalysprojekt.
9. reflektera över erhållen återkoppling på dataanalysprojekt.
10. reflektera över sitt eget arbetssätt, lärande och fortsatta kompetensutveckling för vidare lärande av nya verktyg.
11. värdera användningen av generativa AI verktyg i programmering och dataanalys, med avseende på lärande, kvalitet och självständighet.

Behörighetskrav

Univ: 7.5 hp statistik. Samt Matematik 2a eller 2b eller 2c/nivå 2a eller 2b eller 2c från gymnasiet.

Undervisningens upplägg

Lärandet stöds genom lektioner, övningar, seminarier och handledning. Kursen innehåller också organiserade självstudier via en extern lärplattform (DataCamp). Obligatoriska lektioner och seminarium förekommer.

Examination

Examinationen av modul 1 sker genom gruppvisa praktiska examinationer i sal. För deltagande i de praktiska examinationerna krävs att studenten först enskilt genomfört anvisade moment i DataCamp. På modul 1 ges betygen Godkänd (G) eller Underkänd (U).

Examinationen av modul 2 sker genom att studenten självständigt lär sig och muntligt presenterar ett verktyg med relevans för data science. Reflektion över det egna lärandet ingår också. På modul 2 ges betygen Väl godkänd (VG), Godkänd (G) eller Underkänd (U).

Examinationen av modul 3 sker genom ett projektarbete som genomförs i grupp och dokumenteras skriftligt och redovisas muntligt. Opponering på annan grupps presentation ingår också samt skriftlig reflektion över erhållen opponering. På modul 3 ges betygen Väl godkänd (VG), Godkänd (G) eller Underkänd (U).

Betyget på kursen är Väl godkänd (VG), Godkänd (G) eller Underkänd (U). För betyget Godkänd (G) krävs minst betyget Godkänd (G) på kursens alla moduler. För betyget Väl godkänd (VG) krävs dessutom att betyget Väl godkänd (VG) på modul 2 och modul 3.

Studenter som godkänts på ett prov får inte undergå förnyat prov för att uppnå ett högre betyg. För studenter som ej blivit godkänd erbjuds ytterligare provtillfällen enligt ett fastställt schema.

En student som utan godkänt resultat har genomgått ordinarie prov samt ett omprov för en kurs eller en del av en kurs, har vid nästa omprovstillfälle rätt att få en annan examinator eller rättande lärare utsedd, om inte särskilda skäl talar emot det. Studenten ska vända sig till studierektor med en sådan begäran senast två veckor innan nästa provtillfälle.

Anpassningar
För student som har beslut om rekommenderat stöd på grund av funktionsnedsättning kan Examinator besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov och kursens förväntade studieresultat. För mer information se Handläggningsordning för stöd till studenter med funktionsnedsättning samt Regel för betyg och examination.

Tillgodoräknande
Tillgodoräknande sker enligt Umeå universitets tillgodoräknandeordning.