ucl-datamatiker-learning_objectives/README.md

UCL Datamatiker – Læringsmål og portfolio

Dette repository dokumenterer mit 30 ECTS-projekt på datamatiker-uddannelsen (UCL), i perioden 26. august – 6. december 2026 (15 uger). Projektet tager udgangspunkt i et hotel management-system (NF Hotel) og kombinerer to læringsmål:

• 🤖 AI til softwareløsninger – anvendelse af LLM'er, prompt engineering og Machine Learning/OCR til at fortolke hoteldata og understøtte hotellets beslutninger.
• 📊 Dataanalyse og databehandling – indsamling, rensning, statistisk analyse og visualisering af historiske hoteldata.

De to læringsmål er bevidst designet til at supplere hinanden: dataanalysen giver et fagligt grundlag for at forstå og kontrollere data, mens AI-sporet undersøger, hvordan teknologi kan fortolke og arbejde videre med de samme data.

flowchart TD
    Problem --> Data
    Data --> Datakvalitet
    Datakvalitet --> Analyse
    Analyse --> Trends[Trends og sammenhænge]
    Trends --> Eksperiment[AI-eksperiment]
    Eksperiment --> Fortolkning[AI-fortolkning]
    Fortolkning --> Validering
    Validering --> Beslutningsstøtte

📁 Indhold i repositoriet

Sti	Indhold
Læringsmål–AI_til_softwareløsninger.md	Fuldt læringsmål for AI-sporet: mål, Bloom-niveauer, kerneområder, succeskriterier, milestones, Kolbs læringscirkel og SMART-tjek
Læringsmål–Dataanalyse_og_databehandling.md	Fuldt læringsmål for dataanalyse-sporet: samme struktur som ovenfor
Projektplan-Ugeplan.md	Fælles projektplan med kerneområder, ugentlig timefordeling og en uge-for-uge milestone-plan for begge læringsmål
Portfolio/	Løbende portfolio-poster (logbog), der dokumenterer konkrete erfaringer, valg og refleksioner undervejs i projektet
plantuml/	PlantUML-diagrammer, der visualiserer f.eks. flowet fra data til beslutningsstøtte
images/	Billeder brugt i læringsmål- og portfolio-dokumenterne

🎯 Læringsmål

1. AI til softwareløsninger

Fokus på at forstå, vælge, anvende og evaluere AI-teknologier – ikke på at bygge en komplet kommerciel AI-løsning. Konkret arbejdes der med:

• Python for AI (via kursus)
• Sammenligning og valg af LLM'er/AI-modeller
• Prompt engineering til fortolkning af hoteldata
• Machine Learning/OCR til automatisk udlæsning af pasoplysninger (pasnummer, navn, nationalitet)
• Test, evaluering og human-in-the-loop-vurdering af AI-output

Se Læringsmål–AI_til_softwareløsninger.md for detaljerede succeskriterier og milestones.

2. Dataanalyse og databehandling

Fokus på dataenes kvalitet, behandling og fortolkning – ikke på at udvikle Machine Learning-modeller (det hører til læringsmål 1). Konkret arbejdes der med:

• Dokumentation af datakilde, struktur og begrænsninger
• Systematisk kontrol af datakvalitet (manglende værdier, dubletter, fejlformater m.m.)
• Statistiske mål (gennemsnit, median, kvartiler, standardafvigelse)
• Identifikation af trends, mønstre og sammenhænge
• Datavisualisering og formidling som beslutningsstøtte

Se Læringsmål–Dataanalyse_og_databehandling.md for detaljerede succeskriterier og milestones.

🗓️ Projektplan

Projektplan-Ugeplan.md samler de to læringsmål i én fælles 15-ugers plan med:

• Kerneområder på tværs af projektet (AI & Machine Learning, Dataanalyse & databehandling, Programmering, Formidling & dokumentation)
• Ugentlig timefordeling (40 timer/uge: programmering, vejledning, teammøder samt læring/portfolio)
• En uge-for-uge oversigt over fælles kursusaktivitet og de to spors respektive milestones

🔄 Metode: Kolbs læringscirkel

Begge læringsmål og portfolio-posterne følger Kolbs læringscirkel:

Konkret erfaring → Refleksion → Abstrakt begrebsliggørelse → Aktiv eksperimenteren → (nyt) Konkret erfaring

Det betyder, at hver portfolio-post typisk beskriver noget, jeg konkret har lavet, hvad jeg lærte af det, hvordan det kobler sig til teori, og hvordan jeg bruger den viden i næste eksperiment.

🗂️ Portfolio

Portfolio/ indeholder løbende, dato-mærkede poster, hvor jeg dokumenterer konkrete erfaringer og begrundede valg hen over projektperioden, f.eks.:

• Opsætning og fejlfinding af mit lab-miljø (Docker, database, Git-server m.m.)
• Begrundede teknologivalg (fx database, IDE)
• Refleksioner over sammenfaldet mellem AI- og dataanalyse-sporet

Hver post angiver, hvilke(t) læringsmål den dækker, og indeholder ofte en tabel, der viser dækningsgraden af de enkelte kerneområder (🟢 dækkes helt, 🟡 dækkes delvist, 🔴 dækkes kun lidt eller slet ikke endnu).

✅ SMART og evaluering

Hvert læringsmål afsluttes med et SMART-tjek (Specifikt, Målbart, Attraktivt/Opnåeligt, Relevant, Tidsbestemt), som bruges til at vurdere ved eksamen, om målet er nået – se de respektive læringsmåls-dokumenter for detaljerne.