SV

Baserat på kursplanen och den första lektionssammanfattningen. Innehållet fylls på under kursens gång.

← Till kursöversikten
ÄMNE 08 / 08 · Projekt

Projekt, källkritik & presentation

Planera ett eget IoT-projekt, granska svenska och engelska källor och bygg en tydlig presentation.

8 min läsning5 kunskapsfrågorPraktisk övning
DET HÄR TAR DU MED DIG
  • Planera fråga, dataset, bearbetning, visualisering, ML och resurser.
  • Kritiskt granska information på svenska och engelska och kommunicera slutsatser.
  • Dokumentera eget ansvar, samarbete och fortsatt lärande inför presentationen.
Fråga & plan
Genomförande
Granskning
Presentation & nästa steg
Visa din arbetsgång och värdera resultatet · Ett förenklat flöde
01 — UTFORSKA

Avgränsa ett genomförbart projekt

Kursplanen kräver både planering och genomförande av analys, behandling och visualisering samt tillämpning av ML. Välj en fråga som ditt dataset faktiskt kan besvara. Beskriv kopplingen till IoT, mottagaren av resultatet och vilket beslut du vill stödja. AI4I är ett gemensamt övningsunderlag; sammanfattningen anger också att du ska välja dataset till det individuella projektet.

Skriv en kort analysplan: källa och rätt att använda datan, målvariabel om sådan behövs, valda indata, kvalitetskontroller, bearbetningar, diagram, ML-metod, baslinje och utvärdering. Lista resurser som arbetstid, Pythonmiljö, RAM, CPU, lagring och eventuell molnkostnad. Ange vad som är uppskattat och vad du har mätt.

Prioritera en liten fungerande kedja framför många obekräftade verktygsval. Bestäm en miniminivå: en tydlig fråga, en kontrollerad analys, en läsbar figur och en enkel jämförelse. Beskriv sedan vad som måste utvecklas för större volym eller kontinuerligt inflöde. Det här är ett förslag till arbetsplan på Kopplat, inte en ny inlämningsinstruktion.

Exempel på avgränsning – anpassa till ditt projekt
DelFråga att besvara
ProblemVilket IoT-beslut vill jag stödja och vilka data finns när beslutet tas?
MetodHur kontrollerar, behandlar och visualiserar jag underlaget?
MLVilken baslinje och vilka mätetal behövs för en rättvis jämförelse?
ResurserVad behöver arbetet lokalt och vad förändras vid större skala?
BegränsningVad kan resultatet inte visa och hur skulle jag undersöka det vidare?
02 — UTFORSKA

Granska svenska och engelska källor

F35 omfattar att använda, kommunicera och kritiskt granska information på både svenska och engelska. Öva genom att formulera ett avgränsat påstående, ange källan och kontrollera vilket stöd den faktiskt ger. Vem står bakom texten? Är det dokumentation, forskning, ett exempel eller marknadsföring? Vilken version, datamängd och utvärdering gäller?

Ett konkret första par är den svenska kursplanen och den engelska AI4I-dokumentationen: vad kräver kursmålet, och vad går att demonstrera med just denna datakälla? Jämför därefter ett tekniskt påstående med filen eller dokumentationen för det verktyg du använder. Notera att en liten syntetisk fil kan stödja metodträning men inte i sig bevisa storskalig drift.

Skriv en kort sammanfattning med egna ord på svenska och en kort teknisk förklaring på engelska. Definiera centrala begrepp: label är här mål/etikett, feature är indata och recall är andelen verkliga positiva fall som hittas. Kontrollera att översättningen behåller innebörden. Att hitta en länk eller översätta en mening är inte samma sak som att kritiskt granska påståendet.

03 — UTFORSKA

Självständighet och samarbete

Den första sammanfattningen beskriver en individuell projektstart, samtidigt som kursplanen tar upp samarbete. Dokumentera därför vad du själv har planerat, genomfört och beslutat. Samarbeta exempelvis genom kamratgranskning: låt någon annan pröva din förklaring, kontrollera en figur eller försöka upprepa arbetsgången.

Anteckna återkopplingen, vad du ändrade och varför. Ta ansvar för datakällor, kod och påståenden även när du använder en färdig mall eller får hjälp. Om ett steg inte är förstått, gör en mindre kontroll som du kan förklara och formulera vad du behöver lära dig härnäst.

04 — UTFORSKA

Presentera belägg och begränsningar

Kursplanen anger presentation som kunskapskontroll, med IG/G/VG. För godkänt ska alla läranderesultat nås. VG-beskrivningen betonar djupgående förståelse, självständig tillämpning och förklaring samt kritisk värdering av för- och nackdelar i IoT-projekt. Ett visst modellvärde eller ett visst antal bilder är inte angivet som betygsgräns.

En möjlig berättelse är fråga → data och källkritik → metod och resurser → resultat → jämförelse → begränsningar → beslut och fortsatt arbete. Visa en begriplig figur och förklara enhetsval, klassobalans, dataläckage och hur ML-resultatet jämförs med baslinjen där det är relevant.

Presentationsdatum, längd och detaljerat inlämningsformat finns inte i de två underlagen. Följ de kommande instruktionerna från läraren. De tre lektionsdatumen är inte automatiskt presentations- eller inlämningsdatum. Kopplats quiz hjälper repetitionen men ersätter inte genomförande, presentation eller lärarens bedömning.

FRÅN KUNSKAP TILL HANDLING

Prova själv

Fundera med hjälp av exemplet. Papper och penna räcker.

  1. Skriv en analysplan på ungefär en sida enligt frågorna ovan. Ange en konkret resursbegränsning och ett första verifierbart steg.
  2. Granska ett relevant svenskt och ett engelskt underlag: skriv påstående, belägg, begränsning och betydelse för ditt IoT-projekt.
  3. Låt en kurskamrat granska en figur eller ett metodval. Dokumentera eget bidrag, återkoppling och ett motiverat beslut.
  4. Gör en provpresentation enligt den föreslagna berättelsen och identifiera vad du behöver lära dig vidare. Anpassa formatet när lärarens instruktioner kommer.
DIN TUR

Testa dina kunskaper

Stanna upp en stund. Vad har fastnat?

01Vilken kunskapskontroll anger kursplanen?

02Vilket visar kritisk granskning tydligast?

03Vad bör en resursplan beskriva?

04Vad säger de tre lektionsdatumen om sista inlämningsdag?

05Hur kan ett individuellt projekt visa samarbetsförmåga?

Fortsätt vara nyfiken

Utvalda källor för dig som vill gå djupare.

Kursplan Big Data: mål och kunskapskontrollStockholms Tekniska Institut · SvenskaFörsta lektionssammanfattningenTillhandahållet kursunderlag · SvenskaAI4I 2020 – originaldata och dokumentationUCI Machine Learning Repository · EngelskaKontrollera metodval och dataläckagescikit-learn · Engelska

Ett steg närmare helheten.

Markera ämnet när du känner dig redo.

Hitta nästa sak att förstå.

Vad är Big Data?Ämne 1 · GrundernaFrån datakälla till insamlingÄmne 2 · DataflödenHur lagras data?Ämne 3 · LagringFrån rådata till insiktÄmne 4 · BearbetningKan vi lita på resultatet?Ämne 5 · DatakvalitetPython, analys & visualiseringÄmne 6 · AnalysMaskininlärning för IoTÄmne 7 · MaskininlärningProjekt, källkritik & presentationÄmne 8 · Projekt