Behörighetskrav

1. Kandidat- eller ingenjörsexamen (minst 180hp), inom datavetenskap eller närliggande ämnen såsom matematik, informatik, telekommunikation, elektroteknik, fysik.
2. Minst 15 högskolepoäng i programmering.
3. Minst 7.5 högskolepoäng i matematik.
4. Kunskaper motsvarande engelska 6 på svensk gymnasienivå.

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i programmet Datavetenskap: Tillämpad data science, masterprogram, och kan ingå i Masterexamen i datavetenskap (120 hp).

Innehåll

Kursen innehåller följande moment:

Kursen förmedlar perspektiv på programvaruutvecklingstekniker och gemensamt projektarbete och aktuella framsteg inom programvaruutveckling. Några tekniker och metoder som behandlas är:

• Datadriven innovation och datadrivet beslutsfattande inom forskning och utveckling av artefakter
• A-B-testning, datainsamlingstekniker
• Mjukvaruutvecklingsramverk för Scrum och Kanban som implementerar Agile- respektive Lean-metoder
• Distribuerad programvaruutveckling
• Testdriven utveckling
• DevOps/DataOps/MLOps principer och praktiker
• Utmaningar vad gäller att åstadkomma högpresterande grupper för mjukvaruutveckling
• Datadriven innovation och ML flödes livscykel: hur insamlade användardata kan införas i programutvecklingscykeln, under design-, implementations-, utvärderings- och underhållsfaserna.

Lärandemål

Kunskap och förståelse

För godkänd kurs ska studenten kunna:

• Visa förståelse för kulturella och sociala utmaningar i att sammansätta, leda och delta i högpresterande grupper för mjukvaruutveckling
• Redogöra för vad som kännetecknar olika programvaruutvecklingstekniker

Färdighet och förmåga

För godkänd kurs ska studenten kunna:

• Identifiera hur verksamheter kan omprövas och förbättras med hjälp av insamlade användardata
• Förbereda och välja strategier och metoder för genomförande av effektiva programvaruutvecklingsprojekt, utfärda och upprätthålla ML system inom produktion både pålitligt samt effektivt
• Praktisera akademiskt språkbruk för att presentera och reflektera, i skriftlig såväl som muntlig form

Värderingsförmåga och förhållningssätt

För godkänd kurs ska studenten kunna:

• Göra bedömningar inom området datavetenskap, under övervägande av relevanta praktiska, vetenskapliga, samhälleliga och etiska aspekter
• Identifiera sina behov för ytterligare kunskap och ta ansvar för sin egen fortsätta utveckling inom området

Arbetsformer

Föreläsningar, seminarier.

Bedömningsformer

Krav för godkänd, kursen bedöms genom:

• en förstudierapport i grupp som presenteras muntligt och skriftligt (3,5 hp, UA), och
• en individuell skriftlig reflektion (4 hp, UA).

För godkänd A-E krävs att alla moment genomförts och blivit godkända.

Slutbetyg baseras på den individuella skriftliga reflektionen.

Kurslitteratur

• Kohavi, Ron. Trustworthy Online Controlled Experiments A Practical Guide to A/B Testing, 2020
• Ståhl, Daniel and Mårtensson, Torvald. Continuous Practices: A Strategic Approach to Accelerating the Software Production System, 2018
• En samling vetenskapliga artiklar.

Kursvärdering

Högskolan 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 högskolan. Högskolan 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 inte längre ges eller har genomgått större förändringar ska studenterna, under ett år efter det att förändringen 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.