STIN100 Biologisk data-analyse

KUNNSKAPER: Studentene skal få

• bred kunnskap om grunnleggende behandling, visualisering og analyse av multidimensjonelle biologiske data.
• kjennskap til hvordan noen viktige datasett innen biologien genereres og hvordan man skal behandle data for å korrigere feilkilder.
• begrepsapparat om grafiske virkemidler for å framstille data.
• den kjennskap til programmeringstekniske begreper som er nødvendig for å utføre analysene i kurset.

FERDIGHETER: Studentene skal kunne

• gjengi og forklare prinsippene bak grunnleggende metoder for visualisering og analyse av data.
• skrive programmer som utfører grunnleggende databehandling (utvalg, omforming og gruppevise sammendrag) og som tar i bruk enkle visualiserings- og dataanalyse-metoder.
• generere reproduserbare, kjørbare rapporter der forklarende tekst, programkode og output flettes sammen.
• tolke resultatene av analysene biologisk.
• søke effektivt i hjelpetekster, dokumentasjon og i internettressurser for å realisere analyser.
• forenkle datasett for prototyping og feilsøking av analyser.

GENERELL KOMPETANSE: Studentene skal være rustet til å:

• gripe an datamateriale de møter i senere semesteroppgaver, gradsoppgaver og arbeidsliv.
• drive etterrettelig analyse der prosesseringen av data er fullt dokumentert gjennom kjørbare rapporter.
• velge hensiktsmessige virkemidler for visualisering som passer til datatyper og biologisk struktur i dataene.
• stille oppfølgingsspørsmål til dataanalyser som kan diskuteres med eksperter.
• lære seg nye metoder og programpakker ut fra dokumentasjon, eksempler og nettressurser.

Må jeg kunne mye matematikk? Biologi? Datavitenskap?

Du trenger verken kunne mye matematikk, biologi eller datavitenskap for å ta kurset, men du må kjenne filsystemet, tastaturet, nettleseren og datamaskinen din! For noen krever dette mye jobbing, spesielt den første uka.

2 dobbelttime fellesøkt per uke.

2 dobbelttimer øving per uke.

Vi har rundt 170 studenter ved semesterstart. Til fellesøktene (to dobbelttimer i uka: en mandag og en onsdag) anbefaler jeg et lignende opplegg som for STAT100: Festsalen på Samfunnet med 30 bord à 4 studenter, med live-overføring av lyd og bilde til et ekstrarom i nærheten (f.eks. møterommet på andre sida av Rosehagen). IT-folka som har ordnet dette, er Torger Sveen og Tord Storbækken. Til øvingstimene er passende rom T230, T330, U203, U302.

Forslagene til rom styres av kursets praktiske behov:

• Rom med flatt gulv og mulighet for å gå mellom pultene, så vi kan bistå side ved side, og studentene kan jobbe i par med datamaskin. Kan til nød bruke skrått auditorium med studenter på annenhver rad, bare pultene har plass til laptop.
• Mulighet for å projisere forelesers laptop med lyd og bilde.
• Projektor som er leselig på bakerste benk.
• Mange ladepunkter til laptop som brukes av alle studenter gjennom timene, enten fastmontert eller på strømskinne/tårn.
• Ønskelig: Tavle, ideelt sett to som kan skyves opp (som T230) med fungerende tusjer.
• Ønskelig: Fysisk pekestokk.

Mappevurdering.

Vurdering er bestått/ikke bestått basert på en rekke godkjente innlevering gjennom semesteret. Hvis en oppgave ikke blir godkjent, gis konkret veiledning og ett ekstra forsøk.

Godkjente innleveringer gjelder kun innenfor det pågående semesteret.

K3, med følgende utdyping:

Retningslinjer for bruk av kunstig intelligens (KI): Du oppfordres til å bruke KI-verktøy for å støtte din læring, som å få ideer, forbedre språket ditt eller lage skisser av algoritmer. Merk at alt arbeid du leverer inn må være et resultat av din egen forståelse og innsats. Å kopiere og lime inn innhold direkte fra KI uten betydelig personlig bidrag, redigering eller diskusjon er ikke tillatt. Begrunnelse: Å bruke menneskelig tilbakemelding på arbeid som er generert av maskiner, undergraver universitetets rolle som et sted for ekte læring og personlig utvikling.

To dobbelttimer med fellesøkter per uke: en blanding av forelesning og aktiv læring med hjelpelærere tilgjengelige (4 timer). To dobbelttimer med øving på datamaskin per uke: studentene arbeider på egen hånd, alene eller i par med hjelpelærere tilgjengelige (4 timer).

Læringsfilosofien i kurset er: Aktiv læring, ved at du programmerer selv og formulerer hva dataene forteller. Problembasert læring, rundt NMBU-relevante forskningsspørsmål. Samarbeidslæring, gjennom parprogrammering. Studentdrevet læring der du selv velger hva du vil øve mer på.

Canvas inneholder ukeplaner med lenker til læringsstoff, øvingsoppgaver og andre innleveringer.

Hjelpelærere er tilgjengelige for spørsmål i felles- og øvingstimene. Ellers besvares spørsmål om dataanalyse og programmering i Diskusjoner i Canvas. Å stille effektive spørsmål gjennom reproduserbart eksempel er en nøkkelferdighet som dere vil lære i løpet av kurset.

Innleveringene får tilbakemeldinger fra hjelpelærere (i noen tilfeller får dere automatiske tilbakemeldinger).

Vurdering er bestått/ikke bestått basert på godkjent innlevering av en rekke tester og rapportoppgaver gjennom semesteret. Hvis en oppgave ikke blir godkjent, gis konkret veiledning og ett ekstra forsøk.

Godkjente innleveringer gjelder kun innenfor det pågående semesteret.