4.4 KiB
4.4 KiB
Projektplan – uge for uge
Periode: onsdag 26. august 2026 – søndag 6. december 2026 (15 uger, milestone hver uge) Kerneområder i projektet (samlet over begge læringsmål):
| Kerneområde | Vægt | Dækkes primært af |
|---|---|---|
| AI & Machine Learning | Stor | Læringsmål 1 |
| Dataanalyse & databehandling | Stor | Læringsmål 2 |
| Programmering / softwareudvikling | Mindre | Begge (Python, NF Hotel-integration, OCR-kode) |
| Formidling & dokumentation | Mindre | Begge (portfolio, rapportering, beslutningsstøtte) |
→ Opfylder kravet om mindst 3 kerneområder, heraf 2 i større grad og 1-2 i mindre grad.
Ugentlig timefordeling (40 t/uge, gælder alle 15 uger)
| Aktivitet | Timer/uge | Formål |
|---|---|---|
| Programmering i projekter | 8 t | Kode: LLM-integration, prompt-eksperimenter, OCR/ML, databehandlingsscripts, NF Hotel-integration |
| Vejledning af lektorer | 2 t | Statusfremlæggelse og feedback på ugens milestone |
| Team møde | 4 t | Koordinering, deling af fund mellem AI-spor og data-spor |
| Læring (Kolb) og portfolio | 26 t | Kursus (100 Days of Code uge 1-3, Python-for-AI fra uge 4), refleksion, teori, dokumentation af portfolio |
Planen justeres løbende efter vejledning og efter hvilken ny viden/færdighed et givet milestone viser er nødvendig — datoerne herunder er derfor et styringsredskab, ikke en spændetrøje.
Fælles 15-ugers milestone-plan
Begge læringsmål køres parallelt. Hver uge har ét primært fokus, men de 40 timer fordeles stadig efter tabellen ovenfor hver uge.
| Uge | Dato | Fælles / kursus | Læringsmål 1 – AI/OCR | Læringsmål 2 – Dataanalyse |
|---|---|---|---|---|
| 1 | 26/8 | Projektanalyse: analysér projektet, find værdiskabende opgaver fra PO og prioritér dem. Genopfrisk Python med 100 Days of Code™: The Complete Python Pro Bootcamp (dækker også Pandas og Matplotlib) | Identificér mindst 3 kandidat-LLM'er (ud fra prioriterede PO-opgaver) | Find/opret historisk hoteldatasæt, dokumentér variable og kilde |
| 2 | 2/9 | Fortsæt projektanalyse og prioritering af PO-opgaver. Fortsæt 100 Days of Code | Afprøv de 3 LLM'er på en mindre mængde hoteldata | M1 (Data): identificér mindst 3 datakvalitetsproblemer |
| 3 | 9/9 | Afslut/konsolidér 100 Days of Code | M1 (AI): sammenlign kvalitet/hastighed/pris/privacy, vælg model(ler) | Fortsæt datarensning baseret på uge 2's fund |
| 4 | 16/9 | Opstart Python-for-AI-kursus (Udemy) | Design 3 forskellige promptstrategier | M2 (Data): beregn gennemsnit, median, min/maks; 2 første visualiseringer |
| 5 | 23/9 | M2 (AI) start: kør første systematiske prompt-eksperimenter på hoteldata | Uddyb statistik: kvartiler, standardafvigelse (mod 4 mål i alt) | |
| 6 | 30/9 | Sammenlign prompt-resultater, identificér mønstre/sammenhænge | M3 (Data): identificér mindst 3 foreløbige trends/mønstre | |
| 7 | 7/10 | Identificér mulige årsager til ændringer i efterspørgsel | Understøt trends med beregninger/visualisering nr. 3 | |
| 8 | 14/10 | M2 (AI) afslut: AI-baserede konklusioner om marketingforbedringer | Midtvejsrefleksion (Kolb) på tværs af begge spor | |
| 9 | 21/10 | Forbered integration: definér snitflade til NF Hotel | M4 (Data): udvid til 5 identificerede trends/mønstre, visualisering nr. 4 | |
| 10 | 28/10 | M3 (AI): implementér AI-fortolkning i NF Hotel | Kvalitetssikring af visualiseringer og beregninger | |
| 11 | 4/11 | M4 (AI) start: afprøv OCR/ML-teknologi på pasbilleder | M5 (Data): samlet fortolkning – hvad data kan/ikke kan fortælle | |
| 12 | 11/11 | Test OCR/ML-nøjagtighed på flere testbilleder | Beskriv analysens begrænsninger | |
| 13 | 18/11 | M4 (AI) afslut: min. 10 dokumenterede testcases på tværs af AI-funktioner | Sidste kvalitetstjek af portfolio-materiale | |
| 14 | 25/11 | Færdiggør dokumentation og tekniske valg | M6 (Data): samlet konklusion på analysen | |
| 15 | 2/12–6/12 | Aflevering: SMART-tjek, samlet konklusion, portfolio | Aflevering: SMART-tjek, samlet konklusion, portfolio |
Se de to læringsmåls egne dokumenter for detaljerede succeskriterier bag hvert milestone: