Behörighetskrav

• Engelska 6.
• Sammanlagt 30 hp inom något av huvudområdena: informationsvetenskap, informatik, datavetenskap, eller datateknik varav minst 7,5 hp programmering

Studenten förutsätts ha kunskaper om databassystem.

Fördjupningsnivå i förhållande till examensfordringarna

Kursen är fristående.

Innehåll

Studenterna lär känna och tillämpa metoder och algoritmer som dataanalytiker arbetar med inom data science som tvärvetenskaplligt ämne. Detta handlar om att samla in och utforska data via datahantering och dataanalys, att visualisera och hitta mönster i data samt att rapportera resultat på ett intressant sätt. Fokus för tillämpningen ligger vid data-drivna utvecklingsmöjligheter av affärssystem och sociala innovationer utgående från de globala målen för hållbar utveckling. Syftet är att leta efter nya angreppsätt och lösningar till sociala behov eller samhällsproblem.

Kursen innehåller följande moment:

• Datautvinningsprocessen (engl. data mining)
• Sonderande dataanalys (engl. exploratory data analysis) och datavisualisering av öppet tillgängliga data
• Introduktion till social innovation och de globala målen för hållbar utveckling
• Möjligheter och utmaningar med data-analys för data-driven affärsutveckling och social innovation
• Grundläggande begrepp och orientering i digitala metoder och dess tillämpningar med hjälp av olika verktyg
• Programmering med eller utan kod (grafisk programmering) av olika modeller för beslutsfattande, prediktion eller kategorisering
• Att rapportera resultat med hjälp av storytelling.

Lärandemål

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

1. identifiera utmaningar och möjligheter för tillämpningen av data science i konkreta problemsituationer relaterade till affärsutveckling och sociala innovationer.

2. beskriva den egna data-drivna ansatsen vid tillämpningen av data science på egna projekt inom affärsutveckling och sociala innovationer.

3. beskriva och jämföra de vanligaste digitala metoder och algoritmer inom datautvinningsprocessen.

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

4. välja, bedöma och samla in publikt tillgängliga data utifrån en övergripande problembeskrivning.

5. hantera, analysera, utforska och visualisera större mängder data med lämpliga digitala verktyg för att få fram relevant information utifrån en problemformulering.

6. tillämpa datautvinningsprocessen med lämpliga verktyg och metoder som del i en data-driven affärsutveckling eller social innovation.

7. integrera och rapportera resultatet av en data-driven utveckling med hjälp av storytelling.

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten kunna:

8. bedöma och argumentera för val av relevanta digitala metoder vid tillämpningen av data science inom affärsutveckling och social innovation.

9. problematisera och diskutera sambanden mellan urval av data, möjligheter och utmaningar av data-analysen och data-driven utvecklingen utifrån samhälleliga perspektiv.

Arbetsformer

Problembaserat arbete utifrån praktikfall med stöd i föreläsningar, seminarier, laborationer och workshops med handledning. Studenterna förväntas arbeta individuellt samt samarbeta med andra i projekt. Genomförandet av projektarbete samt förberedelser och inlämningsuppgifter till seminarier, laborationer och workshop kräver självstudier.

Bedömningsformer

För godkänt betyg krävs att studenten deltar aktivt på kursens alla delar samt att följande delar är avslutade och godkända:

• Seminarier, teoretiska begrepp (2hp, UG) - lärandemål 1-3, 4, 8, 9
• Laborationer med kontinuerlig presentation (5hp, UG) - lärandemål 5-7
• Projektarbete med skriftlig slutrapport (5hp, UG) - lärandemål 1-9
• Slutseminarium med projektredovisning och individuell granskning av någon annans projekt (3hp, UA) - lärandemål 1-9

Kursens slutbetyg (UA) är detsamma som betyget på slutseminarium.

Kurslitteratur

• Provost, F. & Fawcett, T. (2015). Data science for Business: [what you need to know about data mining and data-analytic thinking]. (1. uppl.) Sebastopol, Calif.: O'Reilly.
• Salganik, M. J. (2018). Bit by Bit: Social Research in the Digital age. Princeton, NJ: Princeton University Press.
  http://doi.org/10.1111/rssa.12375
• Cole Nussbaumer Knaflic (2015). Storytelling with data. A data visualization guide for business professionals. Hoboken, NJ: John Wiley & Sons.

Referenslitteratur:

• Aurélien Géron (2019), Hand-On Machine Learning with Scikit-Learn, Keras, and Tensorflow, 2nd. ed., Sebastopol, CA. USA: O’Reilly.
• Simon Lindgren, (2020). Data Theory: Interpretive Sociology and Computational Methods, Cambridge: Polity Press.
• Michael R. Berthold, Christian Borgelt, Frank Höppner, Frank Klawonn, Rosaria Silipo, (2020), Guide to Intelligent Data Science: How to Intelligently Make Use of Real Data, Cham, Switzerland: Springer Nature.

Utöver ovanstående litteratur tillkommer en samling vetenskapliga artiklar.

Kursvärdering

Malmö universitet ger studenter som deltar i eller har avslutat en kurs en möjlighet att framföra sina erfarenheter av och synpunkter på kursen genom en kursvärdering som anordnas av lärosätet. Universitetet sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

Övergångsbestämmelser

Om en kurs har upphört att ges eller har genomgått större förändringar ska studenterna, under ett år efter det att förändringen har skett, erbjudas två tillfällen för omprov baserade på den kursplan som gällde vid registreringen.

Övrigt

Om en student har beslut om riktat pedagogiskt stöd, har examinator rätt att ge ett anpassat prov eller låta studenten genomföra prov på ett alternativt sätt.