Kursplan för Datadrivet produktförverkligande

Kursplan fastställd 2023-02-12 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnData-driven product realization
  • KurskodTRA235
  • Omfattning7,5 Högskolepoäng
  • ÄgareTRACKS
  • UtbildningsnivåAvancerad nivå
  • InstitutionTRACKS
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

Kurstillfället är inställt. För frågor kontakta utbildningssekreteraren för
  • Undervisningsspråk Engelska
  • Anmälningskod 97150
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Projekt 7,5 hp
Betygsskala: TH		0 hp7,5 hp0 hp0 hp0 hp0 hp

I program

Examinator

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Förutom de allmänna förkunskapskraven för att studera på avancerad nivå på Chalmers, måste studenten säkerställa att nödvändiga kompetenser innehas eller inhämtas under kursens gång. Examinator formulerar och kontrollerar dessa kompetenser.

Studenten kan bara bli antagen efter överenskommelse med examinator.

Syfte

Kursens syfte är att ge en plattform för att arbeta med och lösa utmaningsdrivna tvärvetenskapliga autentiska problem från olika delar av samhället såsom akademin, industri och offentlig sektor. Syftet är också att studenter från olika program arbetar tillsammans och tränar på att fungera effektivt i mångdisciplinära globala utvecklingsteam.

Efterfrågan på framtida ingenjörer med multidisciplinär kompetens i att utveckla och tillämpa AL/ML-lösningar i industrin har skjutit i höjden. Därför syftar kursen till att ge studenterna grundläggande kunskaper om datavetenskap (inklusive AI och ML) samt färdigheter i att tillämpa datavetenskapliga tekniker för att förbättra produktionssystem och produktutveckling.

Lärandemål (efter fullgjord kurs ska studenten kunna)


Generellt för alla Tracks-kurser:
  • kritiskt och kreativt identifiera och/eller formulera avancerade arkitektoniska eller tekniska problem
  • bemästra problem med öppna lösningsrymder. Detta innefattar att kunna hantera osäkerheter och begränsad information
  • leda och delta i utvecklingen av nya produkter, processer och system med en helhetssyn genom att följa en systematisk designprocess och/eller en systematisk utvecklingsprocess
  • arbeta i tvärvetenskapliga grupper och samarbeta i grupper med olika sammansättningar
  • visa insikter om kulturella skillnader samt kunna arbeta insiktsfullt med dem
  • visa insikter om och bemästra effekterna av arkitektoniska och/ellereller tekniska lösningar i globala, ekonomiska, miljömässiga och samhälleliga sammanhang
  • identifiera etiska aspekter och diskutera och bedöma deras konsekvenser i förhållande till det specifika problemet
  • muntligt och skriftligt på engelska förklara och diskutera information, problem, metoder, design- och utvecklingsprocesser samt lösningar
  • uppfylla de projektspecifika lärandemålen
Kursspecifikt:
  • kritiskt och kreativt identifiera och formulera dataanalysproblem
  • lösa problem med öppen dataanalys
  • leda och delta i dataanalysprojekt
  • arbeta i multidisciplinära analysteam
  • arbeta lyhört med kulturella skillnader i analysteam
  • bedöma effekten av dataanalyslösningar
  • identifiera och diskutera etiska aspekter av dataanalys
  • presentera resultaten av dataanalysprojekt för olika intressenter


Innehåll

Kursen är uppbyggd enligt Cross-Industry Standard for Process Mining (CRISP-DM), som är ett systematiskt tillvägagångssätt för planering, genomförande och implementering av dataanalysprojekt.
Kursen innehåller 8 huvudfaser med följande innehåll:

Fas 1 – Kursintroduktion & Projektintroduktion
  • Kurs- och projektintroduktion
  • Datavetenskap inom produktrealisering
  • Introduktion till datavetenskap
  • CRISP-DM
Fas 2 – Affärsförståelse
  • Allmän projektledningsförmåga
  • Multidisciplinära färdigheter & roller och ansvar
  • Kartläggning av problemlösningar
  • Interkulturell kommunikation
  • Mångfald och integration
Fas 3 – Dataförståelse
  • Undersökande dataanalys
  • Datakvalitet
Fas 4 – Dataförberedelse
  • Metoder för förbearbetning
Fas 5 – Modellering
  • AI/ML/Djup maskininlärning
Fas 6 – Utvärdering
  • AI-etik
  • Förvirringsmatris & affärseffekt
Fas 7 – Implementering
  • ModelluppbyggnadDrift och underhåll
Fas 8 – Rapport & Presentation
  • Slutrapport och presentationsseminarium
  • Självstudier
  • Inlämning av slutrapport

Tvärvetenskapliga grupper samarbetar för att lösa komplexa industriella problem tillsammans med tillverkande företag. Verkliga behov, krav och datamängder tillhandahålls av våra partnerföretag. Kursen är en del av Tracks-temat "Hållbar produktion" och riktar sig till FN:s mål för hållbar utveckling 9 (Industri, innovation och infrastruktur) och 12 (Ansvarsfull konsumtion och produktion).
Projekten i kursen omfattar områden som produktutveckling, produktionsförbättringar, kvalitetsledning och underhåll. Förutom projektbaserat lärande erbjuds föreläsningar och workshops som utvecklar: grundläggande förståelse för AI/ML; kommunikation och lagarbete för att framgångsrikt integrera nyckelroller (t.ex. datavetare och domänexperter); och insikter om att hantera den organisatoriska förändring som krävs för att utnyttja värdet av AI/ML.

Organisation

Kursen drivs av ett lärarlag.
Huvuddelen av kursen är ett utmaningsdrivet projekt. Utmaningen kan sträcka sig från att vara bred samhällelig till djup forskningsdriven. Projektuppgiften löses i grupp.
Projektarbetet kompletteras med "on-demand"-undervisning och lärande av för projektet nödvändiga kompetenser. Projektgruppen har en projektspecifik examinator, handledare från Chalmers och beroende på projektuppgift, om tillämpligt, även externa bi-handledare.

Tracks-tema: Hållbar produktion

Kursen följer en projektbaserad lärandepedagogik och består av en blandning av teaching och learning
Aktiviteter (TLA):
  • Föreläsning: Teoretiska kunskaper, färdigheter och förmågor som behövs för projektarbetet.
  • Community: Industry & Experts ger inspiration från state-of-the-art inom dataanalystillämpningar kombinerat med socialt lärande över projektgrupperna.
  • Grupprojekt: Praktiskt arbete fokuserat på att uppnå datadrivna och faktabaserade beslut i den industriella produktförverkligandeprocessen.
  • Examination: Utvärderingsaktiviteter som ligger till grund för slutbetyget

Litteratur

Relevant litteratur identifieras och förvärvas av studenterna som en del av projektet.

Examination inklusive obligatoriska moment

Kursens examination baseras på tre delar: (1) projektarbete, (2) individuella quizzar och (3) individuell reflektion. Slutbetyget inkluderar studenternas prestationer på alla tre delarna och alla tre delarna är obligatoriska och måste vara godkända för att man ska bli godkänd på kursen.
Projektarbetet omfattar hela processen från inledande projektformulering till slutredovisning och rapport. Rapporten utgör det huvudsakliga underlaget för betygsättningen av projektarbetet. Den individuella quizzen täcker innehållet som presenteras under föreläsningar, gemensamma aktiviteter och litteratur. Quizzarna kommer att genomföras som ett kunskapstest online i Canvas. Den individuella reflektionen omfattar studentens förmåga till fördjupad reflektion över framgångsfaktorer som upplevts under projektarbetet.
Slutbetyget inkluderar elevernas prestationer inom alla tre bedömningsgrunderna:
  • Projektrapport och seminarium: max 60 poäng.
  • Individuell frågesport: max 25 poäng.
  • Individuell reflektion: max 15 poäng.
Betygen är individuella. Betygsskalan är Underkänd, 3, 4 och 5. Alla poäng summeras och slutbetyget avgörs därefter (totalsumman kan inte överstiga 100):
0-49 poäng = Underkänd
50-64 poäng = 3 (Obs! Alla bedömningsuppgifter måste vara godkända)
65-84 poäng = 4
85-100 poäng = 5


Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.