IE500417 Databehandling og visualisering

NTNU →7.5 studiepoeng

Studentvurdering

Hvor relevant opplever du emnet?

Gjennomsnittlig svar: ingen svar

Svært irrelevantSvært relevant

Hva er ditt generelle inntrykk av kurset?

Gjennomsnittlig svar: ingen svar

Svært dårligSvært bra

Hva synes du om emnets nivå?

Gjennomsnittlig svar: ingen svar

Svært lettSvært vanskelig

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Gjennomsnittlig svar: ingen svar

Svært litenSvært stor

KARAKTERFORDELING · H 2025

12 kandidater

H 2017

H 2025

Grupper etter kjønn

SEMESTER

SNITTKARAKTER

4,58 av 5 poeng

NTNU snitt: 3.42

STRYKPROSENT

2,6 %

NTNU snitt: 3,5 %

KANDIDATER PER ÅR

snitt over 9 år

SEMESTRE MED DATA

Eksamen og forkunnskaper

Slik vurderes du

Mappevurdering

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU er ikke ansvarlig for innholdet på denne siden.

Om IE500417

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

Forskning viser at mennesker er mye bedre til å analysere visuell informasjon, sammenlignet med vanlige tall. Effektiv visualisering kan bidra til å bedre forstå dataen, underliggende mønstre, trender og sammenhenger. Visualisering er en viktig del av datavitenskap. Data kommer imidlertid ofte i rå form, er vanligvis støyende, unøyaktige, ufullstendige og noen ganger motstridende. Derfor er det viktig å gjøre seg kjent med forberedelsesfasen, å rense og forbehandle data, for å trekke ut informasjon fra dem. Visualisering er en sentral del av hele dataanalysesyklusen: fra visuell analyse under renseprosessen til rike og interaktive visualiseringer.

Kurset består av to hoveddeler - databehandling og datavisualisering:

1. Databehandling:

Typiske problemer med rådata.
Datarensingsmetoder.
Ulike dataformater, konvertering og aggregering.
Enkel visualisering og statistiske verktøy for inspeksjon av datakvalitet.
Regresjonsmodellering.
Introduksjon til analog og digital signalbehandling.
Signalsampling og synkronisering.

2. Datavisualisering:

Prinsipper for brukergrensesnittdesign basert på menneskelig persepsjon.
Diagrammer og deres anvendelighet for ulike datatyper.
Interaktive visualiseringer.
Moderne visualiseringsverktøy.
Visualisering av spesifikke datasett (romlige data, tidsdata, grafdata osv.).

Vis resten (5 avsnitt)

Læringsutbytte

Kunnskap - studenten skal forstå:

Gjenkalle de grunnleggende prinsippene for menneskelig persepsjon.
Gjenkalle grunnleggende data- og signalbehandlingsmetoder.
Forstå hvordan man renser og validerer data.
Forstå hvordan retningslinjer for datavisualisering avhenger av menneskelig persepsjon.

Ferdigheter - studenten kan:

Anvende data- og signalbehandlings- og visualiseringsverktøy for å rense og visualisere et datasett.
Eksperimentere med ulike visualiseringsteknikker.
Reflektere over valg av databehandlings- og visualiseringsteknikker og resultater.

Generell kompetanse - studenten skal bli bedre i følgende ferdigheter som er lært tidligere:

Analysere data ved hjelp av interaktiv utforskning og visuell analyse.
Evaluere og velge de beste visualiseringsverktøyene og teknikkene for et gitt datasett.
Evaluere en datavisualisering laget av andre.
Lage en historie ved hjelp av en visualisering av et datasett.
Kunne samhandle med AI-verktøy om databaseemner

Anbefalte forkunnskaper

Grunnleggende programmeringskunnskap (Python eller andre språk).

Mer om vurdering

Karakteren er basert på alle kursoppgaver og prosjektet som en mappeinnlevering. Det spesifikke antallet og tidsplanen for oppgavene skal bli presentert ved kursstart. Karaktersetting: A-F. Karakter F er ikke bestått. Ved frivillig gjentak, stryk eller gyldig fravær, må hele mappeinnleveringen tas på nytt i semester med undervisning.

Kursmateriell

Annonseres ved studiestart.

Læringsformer og aktiviteter

Emnet inneholder forelesninger og selvstudium om kursemnene, og individuelle oppgaver om databehandling og visualisering. Studentene skal jobbe med flere datasett, behandle og visualisere resultatene. Kurset inneholder flere obligatoriske oppgaver og et gruppeprosjekt. Det spesifikke antallet og tidsplanen for oppgavene skal bli presentert ved kursstart.

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU er ikke ansvarlig for innholdet på denne siden.

Kommentarer

Hva burde andre vite før de tar dette? Anonymt, ingen innlogging.

Ofte stilte spørsmål

Hvor mange studiepoeng er IE500417?: IE500417 (Databehandling og visualisering) ved NTNU gir 7,5 studiepoeng.
Hva er strykprosenten i IE500417?: Samlet strykprosent for IE500417 ved NTNU er 2,6 %, basert på 114 kandidater. Siste semester (høst 2025) var den 0 %.
Hvor vanskelig er IE500417?: Snittkarakteren i IE500417 er A (4.58 av 5 poeng), mot 2,6 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NTNU.
Hvor kommer tallene for IE500417 fra?: Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Studieprogram med dette emnet

Basert på hvor kandidatene til eksamen var registrert (DBH).

Relaterte emner ved NTNU

Emner som tas i de samme studieprogrammene som IE500417.

IE500217 Datagrafikk snitt B · 0 % stryk
IE500618 Maskinlæring snitt B · 2,3 % stryk
IE502214 Introduksjon til anvendt Simulering og Visualisering snitt B · 0 % stryk
IE502014 Kunstig intelligens snitt B · 0 % stryk
IE501914 Immersive Technologies snitt B · 0 % stryk
IE505718 Simulering og Visualisering, fordypningsprosjekt snitt B · 0 % stryk
IE505818 Simulering og Visualisering, fordypningsemne snitt A · 0 % stryk
IE502414 Masteroppgave i Simulering og Visualisering snitt B · 0 % stryk

Mer om NTNU

Les om karakterfordelingen ved NTNU →Les om NTNU →

Utvikling over tid

Semester	Kandidater	Snitt	Stryk
Høst 2025	12	A (4.58)	0 %
Høst 2024	19	B (4.47)	0 %
Høst 2023	9	A (5.00)	0 %
Høst 2022	9	A (4.67)	0 %
Høst 2021	33	B (4.36)	9,1 %
Høst 2020	7	A (4.57)	0 %
Høst 2019	7	A (4.57)	0 %
Høst 2018	12	A (4.75)	0 %
Høst 2017	6	A (5.00)	0 %

Finner retningen …

Om IE500417

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

Kurset består av to hoveddeler - databehandling og datavisualisering:

1. Databehandling:

Typiske problemer med rådata.
Datarensingsmetoder.
Ulike dataformater, konvertering og aggregering.
Enkel visualisering og statistiske verktøy for inspeksjon av datakvalitet.
Regresjonsmodellering.
Introduksjon til analog og digital signalbehandling.
Signalsampling og synkronisering.

2. Datavisualisering:

Prinsipper for brukergrensesnittdesign basert på menneskelig persepsjon.
Diagrammer og deres anvendelighet for ulike datatyper.
Interaktive visualiseringer.
Moderne visualiseringsverktøy.
Visualisering av spesifikke datasett (romlige data, tidsdata, grafdata osv.).

Vis resten (5 avsnitt)

Læringsutbytte

Kunnskap - studenten skal forstå:

Gjenkalle de grunnleggende prinsippene for menneskelig persepsjon.
Gjenkalle grunnleggende data- og signalbehandlingsmetoder.
Forstå hvordan man renser og validerer data.
Forstå hvordan retningslinjer for datavisualisering avhenger av menneskelig persepsjon.

Ferdigheter - studenten kan:

Anvende data- og signalbehandlings- og visualiseringsverktøy for å rense og visualisere et datasett.
Eksperimentere med ulike visualiseringsteknikker.
Reflektere over valg av databehandlings- og visualiseringsteknikker og resultater.

Generell kompetanse - studenten skal bli bedre i følgende ferdigheter som er lært tidligere:

Analysere data ved hjelp av interaktiv utforskning og visuell analyse.
Evaluere og velge de beste visualiseringsverktøyene og teknikkene for et gitt datasett.
Evaluere en datavisualisering laget av andre.
Lage en historie ved hjelp av en visualisering av et datasett.
Kunne samhandle med AI-verktøy om databaseemner

Anbefalte forkunnskaper

Grunnleggende programmeringskunnskap (Python eller andre språk).

Mer om vurdering

Kursmateriell

Annonseres ved studiestart.

Læringsformer og aktiviteter

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU er ikke ansvarlig for innholdet på denne siden.

Ofte stilte spørsmål

Hvor mange studiepoeng er IE500417?

IE500417 (Databehandling og visualisering) ved NTNU gir 7,5 studiepoeng.

Hva er strykprosenten i IE500417?

Samlet strykprosent for IE500417 ved NTNU er 2,6 %, basert på 114 kandidater. Siste semester (høst 2025) var den 0 %.

Hvor vanskelig er IE500417?

Snittkarakteren i IE500417 er A (4.58 av 5 poeng), mot 2,6 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NTNU.

Hvor kommer tallene for IE500417 fra?

Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Semester

Kandidater

Snitt

Stryk

Høst 2025

A (4.58)

0 %

Høst 2024

B (4.47)

0 %

Høst 2023

A (5.00)

0 %

Høst 2022

A (4.67)

0 %

Høst 2021

B (4.36)

9,1 %

Høst 2020

A (4.57)

0 %

Høst 2019

A (4.57)

0 %

Høst 2018

A (4.75)

0 %

Høst 2017

A (5.00)

0 %

Karakterfordeling og studentvurderinger i IE500417

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Slik vurderes du

Om IE500417

Faglig innhold

Læringsutbytte

Anbefalte forkunnskaper

Mer om vurdering

Kursmateriell

Læringsformer og aktiviteter

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NTNU

Mer om NTNU

Utvikling over tid

Karakterfordeling og studentvurderinger i IE500417

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Slik vurderes du

Om IE500417

Faglig innhold

Læringsutbytte

Anbefalte forkunnskaper

Mer om vurdering

Kursmateriell

Læringsformer og aktiviteter

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NTNU

Mer om NTNU

Utvikling over tid