first commit

Læringsmål–Dataanalyse_og_databehandling.md

@@ -0,0 +1,128 @@
+# Læringsmål – Dataanalyse og databehandling
+
+*Del af 30 ECTS-projekt, 26/8–6/12 2026. Se den fælles [Projektplan – Ugeplan.md](Projektplan%20-%20Ugeplan.md) for tidsplan og timefordeling.*
+
+## 🎯 Mål
+
+Jeg vil opnå praktisk kompetence i at indsamle, strukturere, rense, analysere og visualisere data med fokus på historiske hoteldata.
+
+Jeg vil kunne anvende statistiske metoder og datavisualisering til at identificere trends, mønstre og sammenhænge i data og kunne forklare, hvad resultaterne betyder.
+
+Jeg vil desuden kunne vurdere datakvalitet og begrænsninger og formidle analyseresultater på en måde, der kan understøtte beslutninger om eksempelvis kapacitet, priser, bemanding og planlægning.
+
+Fokus er på dataenes kvalitet, behandling og fortolkning – ikke på at udvikle Machine Learning-modeller (det ligger i [Læringsmål 1](Læringsmål%20–%20AI%20til%20hotelbelægning%20og%20prisforudsigelse.md)).
+
+### Jeg vil kunne – med Bloom-niveau
+
+| # | Jeg vil kunne | Bloom-niveau |
+|---|---|---|
+| 1 | dokumentere datakilde, struktur og begrænsninger for et historisk hoteldatasæt | Forstå |
+| 2 | gennemføre en systematisk kontrol af datakvalitet (manglende værdier, dubletter, fejlformater m.m.) | Analysere |
+| 3 | anvende statistiske mål (gennemsnit, median, kvartiler, standardafvigelse m.fl.) | Anvende |
+| 4 | forklare, hvad statistiske resultater fortæller om datasættet | Forstå |
+| 5 | identificere trends, mønstre og sammenhænge i data | Analysere |
+| 6 | vælge og designe relevante visualiseringer til en given problemstilling | Skabe |
+| 7 | begrunde valg af visualiseringstype ud fra hvad den skal vise | Vurdere |
+| 8 | vurdere datakvalitet, begrænsninger og hvad data kan/ikke kan fortælle | Vurdere |
+| 9 | formidle analyseresultater som grundlag for beslutninger om kapacitet, pris, bemanding og planlægning | Skabe |
+
+Niveauet spænder fra anvende til vurdere/skabe – passende for et 30 ECTS-forløb, hvor formidling og kritisk vurdering af data vejer tungere end ren beskrivelse.
+
+## 📚 Kerneområder
+
+**I større grad:**
+Dataindsamling · Datastrukturering · Datakvalitet · Datarensning · Dataanalyse · Statistik · Deskriptiv statistik · Trends og mønstre · Sammenhænge mellem variable · Datavisualisering
+
+**I mindre grad:**
+Fortolkning af resultater (delt med Læringsmål 1) · Formidling af data
+
+Dette læringsmål bærer hovedvægten af kerneområdet **Dataanalyse & databehandling**, med **Formidling/dokumentation** som understøttende (mindre) kerneområde.
+
+## 📊 Målbare succeskriterier
+
+Jeg betragter læringsmålet som opnået, når jeg kan dokumentere:
+
+**1. Datasæt**
+Jeg anvender mindst ét historisk datasæt med hotelrelaterede data, som indeholder relevante variable såsom dato, ugedag, måned/sæson, antal bookede værelser, kapacitet, belægningsprocent, værelsestype og pris. Jeg dokumenterer datakilde, struktur og eventuelle begrænsninger.
+
+**2. Datakvalitet og databehandling**
+Jeg gennemfører en systematisk kontrol af datasættet og identificerer manglende værdier, ugyldige værdier, dubletter, fejlformater og irrelevante data. Jeg dokumenterer mindst 3 konkrete datakvalitetsproblemer og beskriver, hvordan de håndteres.
+
+**3. Statistisk analyse**
+Jeg anvender mindst 4 statistiske mål eller beregninger (fx gennemsnit, median, minimum/maksimum, kvartiler, standardafvigelse, variation) og kan forklare, hvad resultaterne fortæller om datasættet.
+
+**4. Trends og mønstre**
+Jeg identificerer mindst 5 konkrete trends, mønstre eller sammenhænge (fx forskel mellem hverdage/weekender, sæsonvariation, perioder med høj/lav belægning, forskelle mellem værelsestyper, sammenhæng mellem pris og belægning). Hver observation understøttes af en relevant beregning eller visualisering.
+
+**5. Visualisering**
+Jeg udvikler mindst 4 forskellige relevante visualiseringer (fx linjediagram, søjlediagram, histogram, boxplot, scatterplot) og kan forklare, hvorfor hver er valgt, og hvad den viser.
+
+**6. Fortolkning**
+Jeg udarbejder en samlet analyse, hvor jeg forklarer hvilke mønstre der findes, hvilke variable der ser ud til at hænge sammen, hvad data kan/ikke kan fortælle, og hvilke begrænsninger der er ved analysen.
+
+## 🚀 Milestones (se ugeplan for datoer)
+
+| Milestone | Uge | Indhold |
+|---|---|---|
+| M1 – Datasæt og datakvalitet | Uge 1–2 (26/8–2/9) | Find/opret datasæt, dokumentér variable/kilde, identificér ≥3 datakvalitetsproblemer, første Kolb-refleksion |
+| M2 – Første databehandling | Uge 3–4 (9/9–16/9) | Rens data, beregn gennemsnit/median/min/maks, ≥2 indledende visualiseringer |
+| M3 – Uddybet statistik | Uge 5 (23/9) | Udvid til ≥4 statistiske mål (kvartiler, standardafvigelse) |
+| M4 – Trends og mønstre | Uge 6–9 (30/9–21/10) | Identificér ≥5 trends/mønstre understøttet af beregning/visualisering, ≥4. visualisering |
+| M5 – Samlet fortolkning | Uge 11 (4/11) | Beskriv hvad data kan/ikke kan fortælle, og analysens begrænsninger |
+| M6 – Konklusion | Uge 14 (25/11) | Samlet konklusion på analysen, portfolio klargøres |
+| Aflevering | Uge 15 (2/12–6/12) | SMART-tjek, samlet konklusion, portfolio |
+
+## 🔄 Læring gennem Kolbs læringscirkel
+
+**1. Konkret erfaring**
+Jeg arbejder praktisk med et hoteldata-sæt og gennemfører dataindsamling, datarensning og analyse.
+
+**2. Refleksion**
+Jeg dokumenterer: hvilke problemer jeg fandt i data, hvilke valg jeg foretog, hvilke visualiseringer der fungerede, hvilke resultater der overraskede mig.
+
+**3. Abstrakt begrebsliggørelse**
+Jeg kobler mine erfaringer til teori om: statistik, datakvalitet, databehandling, visualisering, korrelation og sammenhænge.
+
+**4. Aktiv eksperimenteren**
+Jeg bruger min nye forståelse til at ændre analysen, afprøve andre metoder eller visualiseringer og sammenligne resultaterne.
+
+Analyse → refleksion → teori → ny analyse
+
+## 🗂️ Bevis / portfolio
+
+- Datasæt og datakilde
+- Beskrivelse af variable
+- Analyse af datakvalitet
+- Dokumentation af mindst 3 datakvalitetsproblemer
+- Mindst 4 statistiske beregninger
+- Mindst 4 visualiseringer
+- Mindst 5 identificerede trends/mønstre
+- Fortolkning af resultater
+- Beskrivelse af dataenes begrænsninger
+- Refleksioner efter Kolbs læringscirkel
+- Samlet konklusion på analysen
+
+## ✅ SMART-tjek
+
+### 🎯 S – Specifikt
+🎯 **Måltavle:** Jeg vil analysere historiske hoteldata med fokus på datakvalitet, statistik, trends, mønstre og visualisering.
+📍 **Placeringsnål:** Målet er placeret ved databehandling og -fortolkning, afgrænset fra ML-modelbygning, som hører til Læringsmål 1.
+
+### 📊 M – Målbart
+📊 **Søjlediagram:** ≥3 dokumenterede datakvalitetsproblemer med håndtering.
+📈 **Stigende kurve:** ≥4 statistiske beregninger og ≥5 identificerede trends/mønstre, hver understøttet af beregning eller visualisering.
+📏 **Lineal:** ≥1 datasæt, ≥4 visualiseringer, samlet fortolkning med eksplicitte begrænsninger.
+
+### 🤝 A – Attraktivt/Opnåeligt
+🤝 **Håndtryk:** Projektet afgrænses til dataanalyse og databehandling uden krav om at udvikle Machine Learning-modeller.
+💪 **Spændt biceps:** De 26 ugentlige lærings-/portfolio-timer giver plads til grundig databehandling og dokumentation gennem hele perioden.
+✅ **Flueben:** Hvert milestone har konkrete, afkrydsbare leverancer (se milestone-tabel og portfolio-liste).
+
+### ⚖️ R – Relevant
+⚖️ **Vægt:** Læringsmålet balancerer teknisk databehandling med formidling, der kan bruges til reelle beslutninger.
+🔑 **Nøgle:** Det giver et praktisk grundlag for at arbejde med datadrevne softwareløsninger og understøtter projektets dataanalyse-kerneområde.
+
+### ⏱️ T – Tidsbestemt
+⏱️ **Stopur:** 26/8–6/12 2026, milestone hver uge (se ugeplan).
+📅 **Kalender:** M1 uge 1–2, M2 uge 3–4, M3 uge 5, M4 uge 6–9, M5 uge 11, M6 uge 14, aflevering uge 15.
+⏳ **Timeglas:** Ved eksamen afgøres det, om læringsmålet er opnået, ud fra om jeg kan indsamle, behandle, analysere, visualisere og fortolke et datasæt samt forklare mine metodiske valg og analysens begrænsninger.