Datavidenskab og Machine Learning er en uddannelse for dig, der vil bidrage til at skabe nye og bedre løsninger i en stadig mere kompleks og digitaliseret verden.  
Ved at arbejde med rigtige problemstillinger får du færdigheder, som du kan bruge med det samme i alle de brancher, hvor håndtering af data er blevet en fundamental ’game changer’. Det kan f.eks. være i sundheds- og finanssektoren eller inden for politik, klima, mobilitet og underholdning.

På Datavidenskab og Machine Learning lærer du at uddrage den vigtigste viden fra store datamængder og omsætte den til nye produktive løsninger.

På Datavidenskab og machine learning sker undervisningen altid i et kreativt samspil med verden og andre mennesker omkring dig.

Det er spændende at læse på Datavidenskab og machine learning. Det tør vi godt garantere. Og sjovt. Men vi tør også garantere, at det kan være udfordrende. Datavidenskab og machine learning er et fuldtidsarbejde med undervisning, øvelser, teamwork og selvstændige studier.

Hvert semester består af en række kurser kombineret med projektarbejde i teams. Du får indsigt i en lang række aspekter af datavidenskab og machine learning på tværs af matematik, datalogi og kunstig intelligens, samtidig med at du bliver trænet i at arbejde både kreativt og løsningsorienteret.

Undervisningen består af matematik, statistik, datalogi og samfunds- og ingeniørvidenskab. Hvert semester følger du kurser og har gruppe- og projektarbejde med gruppeeksamen. Du vil lære metoder til at forstå og analysere store datamængder. Ligesom du vil lære at anvende og formidle resultaterne til andre. 
Det er ikke et krav, at du er en haj til at programmere, inden du begynder på uddannelsen. Det er en del af din læring og udvikling på studiet. 

Med bachelorgraden kan du fortsætte på kandidatuddannelsen i Datavidenskab og machine learning. Her kommer du i dybden og udvikler dine teoretiske og praktiske kompetencer og får mulighed for at specialisere dig i lige præcis dét, du brænder for.

Vi underviser i problembaseret læring (PBL). Det er en undervisningsform, som Aalborg Universitet har været med til at udvikle, og som vi er kendt for i hele verden – både blandt undervisere, politikere og erhvervsledere. PBL danner rammen om det faglige indhold og din hverdag på studiet. 

Det er vores oplevelse, at problembaseret læring og arbejde i teams ikke bare gør det muligt for de studerende at arbejde med mere komplekse og spændende problemstillinger i samarbejde med eksterne partnere og virksomheder. Der er også den bonus, at PBL bidrager til øget ansvar, motivation og fællesskabsfølelse hos de studerende. Det gælder både i hverdagen og i forbindelse med gruppeeksamenerne. Problembaseret læring giver mere læring både fagligt og socialt.

Af samme grund vil du opleve, at der et godt og aktivt studieliv på Datavidenskab og Machine Learning. Mange tilbringer tid på universitetet, hvor de laver opgaver og projekter i deres grupper, eller finder sammen om fælles interesser.

Hvert semester på Datavidenskab og Machine Learning på Aalborg Universitet består af projektarbejde i grupper og en række kurser. Du bliver trænet i at arbejde kreativt og løsningsorienteret. Under hele studietiden har du mulighed for at arbejde sammen med en eller flere af de mange virksomheder, som viser stor interesse for at arbejde sammen med studerende om konkrete problemstillinger.

1. semester har tre kurser og to projekter. Det første projekt er mindre end det andet, og det er tilrettelagt for, at du og dine medstuderende lærer at arbejde efter AAU’s internationalt anerkendte læringsmodel, som hedder problembaseret læring.

I det lille projekt, som ligger først, skal du lære simpel dataanalyse med regneark. Du får indsigt i dataanalyse på et realistisk datasæt. I projektgruppen skal I udarbejde en rapport, som I skal forsvare ved en mundtlig prøve. Desuden afholder vi en fælles erfaringsopsamling med de andre grupper, så I kan lære af hinandens arbejdsprocesser.

Det større projekt på 1. semester handler om programmering til dataanalyse. Vi baserer os på erfaringerne og det, du har lært gennem arbejdet med det mindre projekt. Nu skal vi til at arbejde med dataanalyse, der kræver større programmerbarhed end regneark. Formålet er, at du får indsigt i og erfaring med dataanalyse ved at lave et program til dataanalyse og herigennem får kompetencer i programmering.

Projektmoduler

Lille projekt: Basal data-analyse med regneark (5 ECTS)
Større projekt: Programmering til dataanalyse (10 ECTS)

Kurser

• Problembaseret læring (5 ECTS)
• Calculus (5 ECTS)
• Indledende programmering for datavidenskab (5 ECTS)

På 2. semester er der et projekt og fire kurser. 

I projektarbejdet skal du og din gruppe indsamle data, fx ved hjælp af spørgeskemaer, eller genererede data, fx ved hjælp af simulering. Dataene skal herefter analyseres. I kan vælge at fokusere på enten algoritmiske metoder til simulering og datagenerering eller på statistisk analyse af indsamlet data. Formålet er bl.a., at du lærer at gennemføre en større dataindsamling og –analyse.

Midt i projektperioden afholder vi et midtvejsseminar, hvor du og din gruppe kan få feedback på jeres arbejde og dele erfaringer med jeres medstuderende.

Projektmodulet

• Fra data til videnskab (10 ECTS)

I kurserne skal du bl.a. lære om lineær algebra, statistisk analyse og metoder samt fundamentale teknikker til design af algoritmer og analyse af deres kompleksitet

Kurser

• Linær algebra (5 ECTS)
• Anvendt statistik (5 ECTS)
• Algoritmer og datastrukturer (5 ECTS)
• Datavisualisering (5 ECTS)

På uddannelsens 3. semester er der et projekt og tre kurser.

Projektmodulet

• Dataanalyse via maskinlæring (15 ECTS)

Machine learning giver kraftfulde værktøjer til at konstruere abstrakte datamodeller og til at bruge disse modeller til at lave forudsigelser om endnu uset data. Evnen til at gøre kompetent brug af disse værktøjer er en central færdighed i datavidenskab. I dette projektmodul fokuserer de studerende på anvendelse af teknikker fra machine learning og deres relation til kunstig intelligens. Når machine learning-metoder anvendes på datasæt fra den virkelige verden skal juridiske og etiske aspekter tages i betragtning.

Kurser

• Databasesystemer (5 ECTS)
• Maskinintelligens (5 ECTS)
• Grundlæggende objektorienteret programmering (5 ECTS)

I kurserne kommer du bl.a. til at arbejde med relationelt databasedesign, design af datavisualiseringssystemer samt objektorienteret programmering.

4. semester består af et projekt og tre kurser.

Du skal vælge mellem to projektmoduler:

Projektmoduler

• Statistisk dataanalyse (15 ECTS)

Statistiske metoder giver kraftfulde værktøjer til at konstruere abstrakte matematiske modeller og til at bruge disse modeller til at lave forudsigelser om endnu uset data. Evnen til at gøre kompetent brug af disse værktøjer er en central færdighed i datavidenskab. I dette projektmodul fokuserer de studerende på anvendelse af statistiske metoder og deres matematiske grundlag. Projektet vil bl.a. omhandle hvordan statistisk inferens kan bruges til at udtale sig om en hel population ud fra en stikprøve herfra samt hvordan modellerne kan fortolkes til at opnå viden om den datagenererende process.

• Avanceret data mining (15 ECTS)

Datamining henviser til processen med at analysere store datasæt (big data) for at udtrække eller opdage mønstre, der er nyttige i sammenhænge af et bestemt applikationsscenarier. Data mining kan gøre brug af statistisk læring og statistiske metoder generelt. Anvendelser af data mining spænder over domæner som detailhandel, underholdning, medier, web, fremstilling og IoT. F.eks. Kan købsdata, der indsamles i detailhandelen, udvindes for at forstå kundens indkøbsmønstre, der kan bruges til reklame

Kurser

• Statistisk læring (5 ECTS)
• Big Data-systemer (5 ECTS)
• Data mining (5 ECTS)

På 5. semester er der et projekt og tre kurser.

Projektmodul

• Analyse af grafrelaterede data (15 ECTS)

Graf-relaterede data forekommer i mange sammenhænge, f.eks. web, sociale netværk,  kommunikation, transport og digital energi. Formålet med projektmodulet er, at du opnår indsigt i, hvordan metoder og teknologier til analyse af graf-relaterede data kan anvendes i relevante praktiske applikationer.

Kurser

• Web intelligence (5 ECTS)
• Analyse af grafdata (5 ECTS)
• IT-ret (5 ECTS)

På det 6. og sidste semester på bacheloruddannelsen skal du udarbejde dit bachelorprojekt.

Projektmodulet

• Bachelorprojekt (20 ECTS)

Bachelorprojektet tager udgangspunkt i en konkret datakilde fra et anvendelsesområde, typisk i samarbejde med en ekstern partner. Der skal gennemføres en analyse af relevante problemstillinger og analysemetoder, hvorefter en egentlig dataanalyse udføres. Etik, lovgivning og sikkerhedsaspekter skal inddrages. 

Kurser (hvert kursus er 5 ECTS)

• Datasikkerhed og privatlivsbeskyttelse (5 ECTS)
• Trends i maskinintelligens (5 ECTS)

Når du er færdig med 6. semester, er du bachelor i Datavidenskab og Machine Learning. Du kan vælge at gå ud på arbejdsmarkedet, eller du kan vælge at læse videre på en kandidatuddannelsen i Datavidenskab og Machine Learning og blive cand.scient.

I studieordningen for bacheloruddannelsen i Datavidenskab og Machine Learning kan du finde detaljer om kurser og projekter samt information om uddannelsens lovhjemmel mm.

Seneste studieordning for Datavidenskab og Machine Learning.

ADSL (Aalborgs Datalogiske Studenterlaug) er en studenterpolitisk organisation, der repræsenterer de studerende ved uddannelserne under datalogi. Organisationen støtter og er med til at skabe sociale og faglige arrangementer på tværs af studieretningerne og hjælper også studerende – bl.a. i forbindelse med støttemidler til projekter.

F-klubben er en forening for studerende og ansatte med tilknytning til IT-uddannelserne og de naturvidenskabelige uddannelser ved Aalborg Universitet. Foreningens formål er at skabe liv og fællesskab på instituttet. Det sker ved at arrangere faglige begivenheder og fester hvert semester, herunder fredagsbaren, som er et centralt omdrejningspunkt, hvor mange har tradition for at ses og lade op til weekenden - ofte kickstartet med et indslag fra en it-virksomhed.

FixD er en forening for studerende på Interaktionsdesign-uddannelsen. Foreningen arbejder for at styrke de sociale bånd og det stadigt voksende akademiske miljø blandt studerende fra Interaktionsdesign og de undervisere, der er knyttet til uddannelsen. FixD står blandt andet for design- og programmeringsworkshops, sociale events og fester, karriereevents og meget mere.

Foreningerne arbejder gerne sammen om sociale og faglige events for at styrke fællesskabet på tværs af instituttets uddannelser.

Der er mange veje til Datavidenskab og Machine Learning. Det er også noget, der afspejler sig i de studerende, der læser på uddannelsen. Der findes ikke én type – men mange forskellige. 

Det er nemlig også forskelligt, hvad de studerende vil med Datavidenskab og Machine Learning. Vi har nogle, der drømmer om at gøre en forskel på klimaområdet. Vi har nogle, der vil gøre e-handel lettere for verden. Og vi har også dem, som kan fornemme en lille forsker i maven.

Fælles for alle på studiet er dog viljen til at opnå en stærk matematisk og datalogisk forståelse og en interesse i de udfordringer, som verden stiller os. Fælles er også en evne til at se på tværs af ting – at tage andre veje. Det kommer især til udtryk i det unikke team- og projektarbejde, vi har på hvert semester. Her er man fælles om at dykke ned i store og komplekse problemstillinger. Ligesom man er fælles om at  komme ud på den anden side med ny viden og nye muligheder på hånden.

Når vi nu taler om muligheder, er det vigtigt at slå fast, at det ikke er noget krav, at du skal kunne programmere, inden du begynder på uddannelsen. Det er en del af din læring og udvikling på studiet.

Det eneste, vi kræver –  udover de formelle adgangskrav – er åbenhed. For der er ingen i tvivl om, at det bliver vores evne til at se data og brugeradfærd i en større sammenhæng, som kommer til at forme mange af fremtidens bedste løsninger. 

Det er spændende at læse på Datavidenskab og Machine Learning. Det tør vi godt garantere. Og sjovt. Men vi tør også garantere, at det kan være udfordrende. Datavidenskab og Machine Learning er et fuldtidsarbejde med undervisning, øvelser, teamwork og selvstændige studier.

Hvert semester består af en række kurser kombineret med projektarbejde i teams. Du får indsigt i en lang række aspekter af datavidenskab og machine learning på tværs af matematik, datalogi og kunstig intelligens, samtidig med at du bliver trænet i at arbejde både kreativt og løsningsorienteret.

Undervisningen består af matematik, statistik, datalogi og samfunds- og ingeniørvidenskab. Hvert semester følger du kurser, og har gruppe- og projektarbejde med gruppeeksamen. Du vil lære metoder til at forstå og analysere store datamængder. Ligesom du vil lære at anvende og formidle resultaterne til andre.

Uddannelsen i Datavidenskab og Machine Learning hører til på Institut for Datalogi. Det betyder, at du dagligt i vores bygninger kan møde og snakke med studerende fra vores andre uddannelser - Software, Datalogi, Interaktionsdesign, Informationsteknologi, Computer Science (IT) og Digitalisering og applikationsudvikling.

Studenterklubberne på Institut for Datalogi arrangerer året rundt sociale og faglige aktiviteter, som f.eks. LAN-party, brætspilsaften, filmaften og workshops. Her kan du møde dine medstuderende i nye og andre rammer, som du naturligvis også selv kan være med til at bidrage til.

Som uddannet i Datavidenskab og Machine Learning får du en stærk baggrund inden for programmering og håndtering/processering og statistisk analyse af data. Du får særdeles gode muligheder for ansættelse i organisationer og virksomheder i både den offentlige og den private sektor, da der er et stort behov for profiler med de kompetencer, som du opnår med uddannelsen i Datavidenskab og Machine Learning.

Du kan blandt andet arbejde inden for områder som business intelligence, produktion, medier, energihandel, detailhandel, forsikring, sundhed, biotech, farmakologi og konsulentbranchen mv.

Eksempler på områder, hvor specialister i Datavidenskab (data science) og Machine Learning er afgørende for succes: 

• Forbrugeradfærd: Hvad vil du se på Netflix? Datavidenskab kan bruges til at analysere brugernes adfærd på streaming sites med henblik på at forbedre platformen og investere målrettet i nye film og serier
• Sundhedssektoren: Sensorer og wearables kan monitorere patienter real time og bidrage til hurtigere og mere præcis diagnosticering eller dosering af medicin.
• Business Intelligence: En Data Scientist kan trække mening ud af store mængder data og f.eks. give et værdifuldt bud på, hvad fremtiden vil bringe på en virksomheds marked, hvordan virksomhedsprocesserne kan optimeres eller finde frem til nye kundegrupper, sådan at virksomheden er et skridt foran konkurrenterne.
• Trafik: Bruger du Google Maps? Big data kan bruges til intelligent ruteplanlægning, hvori der indgår forudsigelser af trafikken baseret på real-time data eller historiske data.
• Kriminalitet: Hvor sker det næste indbrud? En kombination af maskinlæring og politiets historiske data om forbrydelser kan bruges til at forudsige, hvor og hvordan kriminalitet finder sted.