AAU logo
Uddannelse
Forskning
Samarbejde

Datavidenskab

Fagligt indhold

Fagligt indhold

I det første studieår på bacheloruddannelsen i datavidenskab på Aalborg Universitet får du indblik i grundlæggende dataanalyse, programmering og projektarbejde.

Nedenfor har vi kort beskrevet de enkelte semestre på uddannelsen.

Se også studieordningen for bacheloruddannelsen i Datavidenskab. Her kan du finde detaljer om kurser og projekter samt information om uddannelsens lovhjemmel mm.

Du arbejder med projekter halvdelen af tiden

Hvert semester på datavidenskab på Aalborg Universitet består af projektarbejde i grupper og en række kurser. Du får indsigt i en række aspekter af datavidenskab, og du bliver trænet i at arbejde kreativt og løsningsorienteret. Vi arbejder tværfagligt med emner fra bl.a. datalogi, matematik, ingeniørvidenskab og samfundsvidenskab. Datavidenskab kombinerer i høj grad teoretiske og praktiske problemstillinger i mødet mellem design og implementering af nye løsninger.

Under hele dit studium har du mulighed for at arbejde sammen med en eller flere af de mange virksomheder, som viser stor interesse for at arbejde sammen med datavidenskabsstuderende om konkrete problemstillinger.

1. semester; PROGRAMMERING TIL DATAANALYSE

1. semester har tre kurser og to projekter. Det første projekt er mindre end det andet, og det er tilrettelagt for, at du og dine medstuderende lærer at arbejde efter AAU’s internationalt anerkendte læringsmodel, som hedder problembaseret læring.

Problembaseret læring i videnskab, teknologi og samfund

Som en naturlig ting på 1. semester skal du følge et kursus om netop problembaseret læring, herunder projektarbejde i grupper. Det er en introduktion til den måde, AAU underviser på og den måde, du kommer til at tilegne dig viden på.

Calculus

Som et grundlæggende fag skal du også følge et kursus i calculus. Det handler om matematiske færdigheder som differentiering og integrering af multivariante funktioner, trigonometriske funktioner, komplekse tal og faktorisering af polynomier.

Indledende programmering for datavidenskab

På en it-uddannelse lærer man at programmere og således naturligvis også på Datavidenskab. Du skal ikke kunne programmere på forhånd. Uddannelsen er opbygget sådan, at vi starter i det små og bygger mere på for hvert semester. På 1. semester skal du i programmering lære at implementere et program som løsning på en defineret opgave.

Projektarbejdet på 1. semester

Som nævnt ovenfor er der to projekter på 1. semester. I det lille projekt, som ligger først, skal du lære simpel dataanalyse med regneark. Du får indsigt i dataanalyse på et realistisk datasæt. I projektgruppen skal I udarbejde en rapport, som I skal forsvare ved en mundtlig prøve. Desuden afholder vi en fælles erfaringsopsamling med de andre grupper, så I kan lære af hinandens arbejdsprocesser.

Det større projekt på 1. semester handler om programmering til dataanalyse. Vi baserer os på erfaringerne og det, du har lært gennem arbejdet med det mindre projekt. Nu skal vi til at arbejde med dataanalyse, der kræver større programmerbarhed end regneark. Formålet er, at du får indsigt i og erfaring med dataanalyse ved at lave et program til dataanalyse og herigennem får kompetencer i programmering.

2. semester; fra data til videnskab

På 2. semester er der ét projekt og tre kurser.

Lineær algebra

I kurserne skal du bl.a. lære om lineær algebra. Det giver dig grundlæggende matematiske færdigheder inden for lineære ligningssystemer, matricealgebra, eigenvektorer og vektorrum. Kurset bygger videre på de færdigheder, du har tilegnet dig i calculus-kurset på 1. semester.

Anvendt statistik

Vi bliver i den matematiske verden med kurset i anvendt statistik. Statistisk analyse er et vigtigt redskab i datavidenskab. Gennem dette kursus får du en første introduktion til statistiske metoder i en anvendelsesorienteret sammenhæng og du lærer at udføre grundlæggende statistisk estimation og test ved hjælp softwareværktøjer.

Algoritmik og datastrukturer

Den datalogiske del af 2. semester kommer især i kurset om algoritmik og datastrukturer. Viden om algoritmer og datastrukturer er fundamentet for at skrive effektive computerprogrammer, der kan håndtere store datamængder. Derfor introduceres du på dette kursus for vigtige typer af algoritmer og datastrukturer og fundamentale teknikker til design af algoritmer og analyse af deres kompleksitet.

Projektarbejdet på 2. semester

I projektarbejdet skal du og din gruppe indsamle data, fx ved hjælp af spørgeskemaer, eller genererede data, fx ved hjælp af simulering. Dataene skal herefter analyseres. I kan vælge at fokusere på enten algoritmiske metoder til simulering og datagenerering eller på statistisk analyse af indsamlet data. Formålet er bl.a., at du lærer at gennemføre en større dataindsamling og –analyse.

Midt i projektperioden afholder vi et midtvejsseminar, hvor du og din gruppe kan få feedback på jeres arbejde og dele erfaringer med jeres medstuderende.

3. semester; interaktion med og visualisering af struktureret data

På uddannelsens 3. semester er der igen ét projekt og tre kurser.

Databasesystemer

I kurset i databasesystemer får du viden om den relationelle model og relationel algebra, spørgesproget SQL, logisk og fysisk design af relationelle databaser, forespørgselshåndtering og -optimering samt transaktioner. Du lærer at lave et relationelt databasedesign, der overholder anerkendte normalformer, bruge SQL til at skabe og forespørge på en database, designe og anvende passende fil- og indeksstrukturer på en given database samt forklare en eksekveringsplan for en SQL-forespørgsel og vurdere, om planen er effektiv.

Datavisualisering

Det andet kursus på semestret handler om datavisualisering. Dette genererer visuelle repræsentationer for datasæt, som er designet til at hjælpe brugere med mange opgaver, især udforskning og præsentation af data. Til det formål er datavisualisering dybt afhængig af menneskelig visuel perception. Der er en stor mængde af mulige måder til at designe systemer til datavisualisering. Da designvalg kan være ineffektive for en given brugeropgave, er det nødvendigt at validere effektiviteten af datavisualiseringssystemer, hvilket dog er udfordrende. Du lærer at designe og vurdere effektiviteten af datavisualiseringssystemer.

Objektorienteret programmering

På 3. semester bygger vi videre på 1. semesters programmeringskursus. Du skal lære om objektorienteret programmering. Efter kurset skal du kunne udforme og dokumentere et objektorienteret program, således at det kan køres og er forståeligt, læsbart, og tilgængeligt for andre programmører.

Projektarbejdet på 3. semester

En af de vigtigste kompetencer for en dimittend i datavidenskab er at kunne kommunikere resultaterne af analyser af data. En stor del af data findes som struktureret data gemt i traditionelle databasesystemer. Gennem projektarbejdet på 3. semester får du erfaring inden for interaktion med og visualisering af struktureret data som medium for undersøgelse og kommunikation med både fagfæller og ikke-fagfolk.

4. semester; web analytics

4. semester består ligeledes af ét projekt og tre kurser.

Sandsynlighedsregning

Sandsynlighedsregning giver fundamentet for konstruktionen af statistiske modeller og matematisk stringent statistisk analyse. På 4. semester skal du have et kursus i sandsynlighedsregning, hvor du præsenteres for fundamentale begreber og teknikker, inkl. stokastiske variable, betingede fordelinger og betingede forventninger samt basal stokastiske procesmodeller.

Big Data-systemer

På en uddannelse i datavidenskab indgår der naturligvis også Big Data. Du skal derfor lære om modeller, teknikker og systemer til lagring, håndtering og processering af Big Data, herunder multidimensionelle data.

Webdatavidenskab

I det tredje kursus på semestret skal du lære om webdatavidenskabsteknikker eller web data science. Lige siden begyndelsen af World Wide Web har det været brugt til at give nem adgang til information og udveksling af data. Det er nu blevet den største kilde til data og information. Webapplikationer er baseret på forskelle typer af teknologier, algoritmer og data. I dette kursus lærer du om emner såsom information extraction, information retrieval, integration af webdata, online sociale netværk, recommendersystemer, Semantic Web og webdatastrukturer.

Projektarbejdet på 4. semester

World Wide Web er vokset til et stort socio-teknisk system til informations- og datadeling. Der er et enormt uudforsket potentiale i at skabe forskellige løsninger, der bruger data fra web eller integrerer webdata med andre datakilder. Formålet med projektarbejdet på 4. semester er, at du opnår indsigt i, hvordan metoder, teknikker og teknologier fra web data science og Big Data kan bidrage til at finde løsninger på forskellige problemer. Du kan fx lave projekt om at finde og præprocessere store mængder webdata til specifikke løsninger (inkl. integration og sammensmeltning), anvende relevante teknikker og metoder fra web science på webdata og integrere dem i en applikation eller en kombination heraf.

5. semester; statistisk datanalyse / dataanalyse via maskinlæring

På 5. semester skal du vælge mellem to projekttemaer: Statistisk dataanalyse eller Dataanalyse via maskinlæring. Du skal som sædvanlig have tre kurser.

Statistisk inferens for lineære modeller

Dette kursus udbygger din viden og færdigheder i statistisk analyse, som du blev introduceret til på 2. semester. Kurset bygger desuden på Sandsynlighedsregning fra 4. semester, så du får en klar og logisk introduktion til matematisk statistik med fokus på generaliserede lineære modeller. Efter kurset er du i stand til at udføre statistisk analyse af datamængder baseret på en given generaliseret lineær model.

Maskinintelligens

På 5. semester introduceres du desuden til maskinintelligens. Du får en introduktion til grundlæggende maskinlæring og teknikker til kunstig intelligens og du lærer, hvordan maskinlæring bruges til at konstruere modeller såsom Bayesianske eller neurale netværk fra data.

IT-ret

Inden for datavidenskab skal man også beskæftige sig med databeskyttelse og –sikkerhed. Derfor skal du lære om IT-lovgivning og opnå indgående viden om og forståelse af juridiske metoder i forhold til IT og kilder til lovgivning. Kurset giver dig desuden indsigt i lovgivningens rolle i samfundet og forholdet mellem lovgivning, politik og etik.

Projektarbejdet på 5. semester

Der er som nævnt to projekttemaer at vælge imellem: Statistisk dataanalyse og Dataanalyse via maskinlæring.

For begge temaers vedkommende gælder, at du kommer til at arbejde med kraftfulde værktøjer til at konstruere abstrakte datamodeller og til at bruge disse modeller til at lave forudsigelser om endnu uset data. Evnen til at gøre kompetent brug af disse værktøjer er en central færdighed i datavidenskab. Desuden kræver begge temaer, at juridiske og etiske aspekter tages i betragtning.

Statistisk dataanalyse

Hvis du vælger at lave projekt inden for dette tema, vil dit arbejde fokusere på anvendelse af statistiske metoder og deres matematiske grundlag. Når statistiske metoder anvendes på datasæt fra den virkelige verden skal juridiske og etiske aspekter desuden tages i betragtning.

Dataanalyse via maskinlæring

Hvis du vælger at lave projekt inden for dette tema, vil dit arbejde handle om anvendelse af teknikker fra maskinlæring og deres anvendelser i forbindelse med kunstig intelligens.

6. semester; datanalyse inden for et anvendelsesområde

På det 6. og sidste semester på bacheloruddannelsen skal du udarbejde dit bachelorprojekt. Denne gang fylder projektarbejdet mere, så du har to kurser i stedet for som normalt tre.

Datasikkerhed og privatlivsbeskyttelse

Arbejdet med store mængder data, ofte af en personhenførbar eller privat natur, kræver specialistviden for at sikre, at data ikke lækkes, kompromitteres eller på anden vis (mis-) bruges til krænkelse af privatlivet. I dette kursus lærer du om de mest relevante emner, metoder og teknikker inden for sikkerhed og sikring af privatliv, fx anonymisering og de-identifikation af data, re-identifikation af data, inferensproblemet for statistiske databaser, information flow, sikkerhed samt fundamentale sikkerhedsmodeller.

Data Mining

Du får her en introduktion til grundlæggende data mining-teknikker. Du lærer, hvordan data mining kan bruges til at opdage skjulte regler, mønstre eller strukturer i store datamængder. Kurset introducerer vigtige præprocesseringsteknikker, inkl. outlier detection, feature selection og reduktion af dimensionalitet. Kurset præsenterer desuden teknikker såsom association rule mining, beslutningstræer og clustering til udtrækning af regler og mønstre fra data.

Bachelorprojekt: Dataanalyse inden for et anvendelsesområde

Bachelorprojektet tager udgangspunkt i en konkret datakilde fra et anvendelsesområde, typisk i samarbejde med en ekstern partner. Du skal gennemføre en analyse af relevante problemstillinger og analysemetoder, hvorefter du udfører en egentlig dataanalyse vha. relevante metoder og teknikker. Etik, lovgivning og sikkerhedsaspekter skal inddrages.

Læs mere om uddannelsen

Gruppe- og projektarbejde

Gruppe- og projektarbejde

Gruppe- og projektarbejdet på Aalborg Universitet giver dig mulighed for at få en spændende og lærerig studietid både fagligt og socialt.
 

Læs mere om gruppe- og projektarbejde

Læs uddannelsen som

  • Et-faglig uddannelse
    Den et-faglige uddannelse er for dig, der går efter at bringe din faglighed i spil inden for ét fagområde
     
  • To-faglig uddannelse med et centralt fag og et sidefag
    Den to-faglige uddannelse er for dig, der gerne vil kombinere et centralt fag med et sidefag, fx Idræt, Samfundsfag eller Engelsk