IT3212 Datadrevet Programvare

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

132 kandidater

H 2023

H 2025

Grupper etter kjønn

SEMESTER

SNITTKARAKTER

4,57 av 5 poeng

NTNU snitt: 3.42

STRYKPROSENT

0 %

NTNU snitt: 3,5 %

KANDIDATER PER ÅR

107

snitt over 3 år

SEMESTRE MED DATA

Eksamen og forkunnskaper

Vurderingen består av

Mappe/sammensatt vurdering
Rapport
Tre innleveringer relatert til sluttrapporten

Alle delene må normalt være bestått. Karakterfordelingen over gjelder emnet samlet.

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

Om IT3212

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

Dette kurset vil gi følgende:

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

Konkret vil vi dekke følgende emner:

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

Vis resten (5 avsnitt)

Læringsutbytte

Kunnskap

Analyse av virkelige data med statistikk og maskinlæring
Funksjonsvalg og dimensjonsreduksjonsteknikker
Anvendelse av veiledet, uveiledet, semi- og svakveiledet læring

Ferdighet

Oversetter virkelige problemer til maskinlæringsrom
Bruk av passende rørledning (serie med metoder)

Kompetanse

Kjenn til feltet maskinlæring sett fra SE, IS, HCI-industrien

Forkunnskapskrav

Emnet er for alle MSIT, MTDT, MIDT, BIT og MLREAL matte- og informatikk-profiler.

Mer om vurdering

Fire oppgaver er grunnlaget for karakteren i emnet. Studentene skal levere oppgavene gjennom semesteret. Alle de fire oppgavene er gruppeoppgaver og de bidrar til sluttkarakteren. De to første oppgavene bidrar med 20 % hver og de to siste bidrar med 30 % hver til sluttkarakteren.

Alle studenter i gruppen får normalt samme karakter basert på gruppebesvarelsen. I særskilte tilfeller hvor en student ikke har bidratt tilstrekkelig, kan studenten gis en individuelle karakterer basert på dokumentert manglende innsats og/eller arbeidsmengde.

Ved gjentak må hele emnet gjennomføres på nytt.

Kursmateriell

Oppgis ved semesterstart.

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.

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 IT3212?: IT3212 (Datadrevet Programvare) ved NTNU gir 7,5 studiepoeng.
Hva er strykprosenten i IT3212?: Samlet strykprosent for IT3212 ved NTNU er 0 %, basert på 320 kandidater. Siste semester (høst 2025) var den 0 %.
Hvor vanskelig er IT3212?: Snittkarakteren i IT3212 er A (4.57 av 5 poeng), mot 0 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NTNU.
Hvor kommer tallene for IT3212 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 IT3212.

IT3022 Deltagende design snitt B · 0 % stryk
TDT4117 Informasjonsgjenfinning snitt C · 3,9 % stryk
IT3030 Dyp læring snitt B · 7,2 % stryk
IT3402 Design av grafiske brukergrensesnitt snitt B · 0 % stryk
TDT4175 Informasjonssystemer snitt B · 0 % stryk
IT2810 Webutvikling snitt B · 3,2 % stryk
TDT4190 Distribuerte systemer snitt D · 14,1 % stryk
TDT4310 Intelligent tekstanalyse og språkforståelse snitt B · 0 % stryk

Mer om NTNU

Les om karakterfordelingen ved NTNU →Les om NTNU →

Utvikling over tid

Semester	Kandidater	Snitt
Høst 2025	132	A (4.64)
Høst 2024	111	A (4.66)
Høst 2023	77	B (4.31)

Finner retningen …

Eksamen og forkunnskaper

Vurderingen består av

Mappe/sammensatt vurdering
Rapport
Tre innleveringer relatert til sluttrapporten

Alle delene må normalt være bestått. Karakterfordelingen over gjelder emnet samlet.

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

Om IT3212

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

Dette kurset vil gi følgende:

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

Konkret vil vi dekke følgende emner:

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

Vis resten (5 avsnitt)

Læringsutbytte

Kunnskap

Analyse av virkelige data med statistikk og maskinlæring
Funksjonsvalg og dimensjonsreduksjonsteknikker
Anvendelse av veiledet, uveiledet, semi- og svakveiledet læring

Ferdighet

Oversetter virkelige problemer til maskinlæringsrom
Bruk av passende rørledning (serie med metoder)

Kompetanse

Kjenn til feltet maskinlæring sett fra SE, IS, HCI-industrien

Forkunnskapskrav

Emnet er for alle MSIT, MTDT, MIDT, BIT og MLREAL matte- og informatikk-profiler.

Mer om vurdering

Ved gjentak må hele emnet gjennomføres på nytt.

Kursmateriell

Oppgis ved semesterstart.

Læringsformer og aktiviteter

Emnet undervises på engelsk.

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 IT3212?

IT3212 (Datadrevet Programvare) ved NTNU gir 7,5 studiepoeng.

Hva er strykprosenten i IT3212?

Samlet strykprosent for IT3212 ved NTNU er 0 %, basert på 320 kandidater. Siste semester (høst 2025) var den 0 %.

Hvor vanskelig er IT3212?

Snittkarakteren i IT3212 er A (4.57 av 5 poeng), mot 0 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NTNU.

Hvor kommer tallene for IT3212 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

132

A (4.64)

0 %

Høst 2024

111

A (4.66)

0 %

Høst 2023

B (4.31)

0 %

Karakterfordeling og studentvurderinger i IT3212

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

Vurderingen består av

Om IT3212

Faglig innhold

Læringsutbytte

Forkunnskapskrav

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 IT3212

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

Vurderingen består av

Om IT3212

Faglig innhold

Læringsutbytte

Forkunnskapskrav

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