TDT4114 Anvendt programmering

Kunnskaper

• K1: Grunnleggende konsepter i objektorientert programmering
• K2: Filbehandling og feilhåndtering i Python, inkludert hvordan man leser fra og skriver til filer, og hvordan man håndterer unntak.
• K3: Dataanalyse og visualisering, inkludert bruk av bibliotekene NumPy, Matplotlib, SciPy og Pandas.
• K4: Lineær regresjon og andre prediktive modelleringsteknikker, inkludert hvordan man forbereder data for modellering, hvordan man trener og validerer en modell, og hvordan man tolker modellens resultater.
• K5: Bruk av utviklingsmiljøer som Visual Studio Code, Jupyter Notebook, og versjonshåndtering med git.
• K6: Enhetstesting i Python, inkludert hvordan man skriver og kjører tester ved hjelp av unittest-rammeverket.
• K7: Kan forklare noen vanlige måter å bruke KI på innen programmering

Kompetanse:

• F1: Forstå og anvende programmeringskonsepter som lambda-uttrykk, samlinger, iteratorer og list comprehensions.
• F2: Forstå prinsippene for objektorientert programmering.
• F3: Kunne håndtere datalagring og feil, inkludert filbehandling, persistent lagring av informasjon og unntakshåndtering.
• F4: Forstå og anvende grunnleggende prinsipper for dataanalyse og visualisering ved bruk av modulene NumPy, Matplotlib, SciPy og Pandas.
• F5: Kunne forberede data og anvende lineære regresjonsmodeller for prediktiv analyse ved hjelp av scikit-learn.
• F6: Forstå og anvende enhetstesting og versjonshåndtering med git.
• F7: Kunne bruke programmeringsmiljøer som Visual Studio Code og/eller Jupyter Notebook effektivt.
• F8: Kan skrive kode dels ved å skrive selv og dels ved å bruke KI.

Generell kompetanse:

• G1: Kan reflektere over hvordan programmering, og dataanalyse kan anvendes i eget fagområde.
• G2: Kan samarbeide effektivt i utviklingsprosjekter, inkludert bruk av versjonskontroll og enhetstesting for å sikre kvalitet på programkode.
• G3: Har forståelse for viktigheten av dokumentasjon, testing og vedlikehold i utvikling av programvare.
• G4: Kan reflektere over hva som er hensiktsmessig og mindre hensiktsmessig bruk av KI som et hjelpeverktøy for læring.

I emnet er det innført flere obligatoriske aktiviteter som støtter læringsmålene og gir studentene mulighet til å anvende teori i praksis.

Mappevurdering som gjennomføres i mindre grupper gir grunnlag for bestått/ikke-bestått i emnet. I mappen inngår et programmeringsprosjekt og et enkelt individuelt refleksjonsnotat over egenlæring. Prosjekt og refleksjonsnotat leveres samlet i slutten av semesteret.

Det gis tilbakemeldinger i løpet av semesteret på innholdet i mappen.

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 individuell karakterer basert på dokumentert manglende innsats og/eller arbeidsmengde.

Ved frivillig gjentak, stryk eller gyldig fravær, må hele mappen tas på nytt i semester med undervisning.

• Koding på lab: Deltakerne kan delta i koding på lab der de får praktisk erfaring med programmering i Python.
• Dataanalyseoppgaver: Deltakerne kan jobbe med øvingsoppgaver som involverer datainnsamling, rengjøring, analyse og visualisering. Dette vil gi dem praktisk erfaring med bibliotekene NumPy, Matplotlib og Pandas.
• Prediktiv Modellering: Deltakerne kan jobbe med oppgaver som krever bruk av lineær regresjon og andre prediktive modelleringsteknikker for å analysere og tolke data.
• Enhetstesting: Deltakerne kan skrive og kjøre tester for å verifisere at koden deres fungerer som forventet.
• Versjonshåndtering: Deltakerne kan bruke git for å versjonere koden sin, noe som vil gi dem erfaring med viktig praksis innen programvareutvikling.