Master of Science i datalogi

Dette pensumkort illustrerer den progressive udvikling af elevernes kompetencer på tværs af Master of Science i Information Technology Management-programmet, og viser, hvordan hvert kursus introducerer (I), udvikler (D) eller bringer eleverne til beherskelse (M) af de syv programs læringsudbytte (PLO'er), der kulminerer med endestenskurset, hvor eleverne demonstrerer beherskelse af alle resultater.

• TECH 500: Etiske udfordringer i teknologiledelse
• BUS 5203: Dataanalyse
• BUS 5213: Behandling af data til beslutningstagning
• TECH 575: Big Data Analytics til IoT
• TECH 615: Applied AI: Solutions for Business
• TECH 630: Avanceret kunstig intelligens til forretningsindsigt og beslutningstagning
• BUS 5223: Ledende dataanalyseprojekter
• TECH 643: Statistiske metoder
• TECH 674: Kvantitative metoder
• TECH 699: Data Science and Analytics Capstone Project

Kerneklasser

TECH 500: Etiske udfordringer i teknologiledelse

Dette kursus fokuserer på at forberede ledere til at løse komplekse etiske dilemmaer inden for teknologiledelse. Kurset lægger vægt på bibelske værdier og praktiske løsninger på samtidens udfordringer. Studerende udforsker etiske systemer gennem et kristent verdenssyn, analyserer casestudier og udvikler færdigheder til at foretage sunde moralske vurderinger. Ved kursets afslutning vil deltagerne være rustet til at tage fat på etiske spørgsmål i teknologiledelse med integritet og et trosbaseret perspektiv.

Kursus studerendes læringsudbytte

• SLO 1: Analyser komplekse etiske dilemmaer i teknologiledelse ved hjælp af forskellige etiske rammer, herunder et kristent verdensbillede. (PLO 3, PLO 4)
• SLO 2: Evaluer implikationerne af nye teknologier for etisk beslutningstagning i IT-lederroller. (PLO 3, PLO 4)
• SLO 3: Syntetisere bibelske principper med nutidige etiske udfordringer for at udvikle trosbaserede løsninger inden for teknologiledelse. (PLO 3, PLO 5)
• SLO 4: Udvikle og formulere sunde moralske vurderinger til casestudier i teknologietik, der demonstrerer kritisk tænkning og effektiv kommunikation. (PLO 1, PLO 3)
• SLO 5: Skab en personlig etisk ramme for håndtering af teknologiledelsesudfordringer, der integrerer professionelle standarder med kristne værdier. (PLO 3, PLO 5)

BUS 5203: Dataanalyse

Studerende vil blive udsat for dataanalytiske praksisser i erhvervslivet, såsom hvordan data skabes, lagres og tilgås, og hvordan organisationer bruger data og skaber miljøer, der tilskynder til analyse.

Kursus studerendes læringsudbytte

• SLO 1: Forstå analysetankegangen for forretningsanalytikere. (PLO 2, PLO 4)
• SLO 2: Forstå de grundlæggende begreber inden for statistik og dataanalyse. (PLO 2, PLO 4)
• SLO 3: Anvend dataanalyseteknikker til at besvare spørgsmål om datasættet. (PLO 4)
• SLO 4: Analyser forretningsbeslutninger ved hjælp af dataanalyseteknikker. (PLO 4)
• SLO 5: Evaluer etiske beslutninger i dataanalyse med trosintegration. (PLO 5)
• SLO 6: Opret og gennemfør et dataanalyseprojekt for at besvare et originalt spørgsmål inden for en specifik disciplin. (PLO 2, PLO 4, PLO 5)

BUS 5213: Behandling af data til beslutningstagning

Forstå, hvordan man indsamler og bruger data i beslutningstagning ved hjælp af analytiske teknikker (data mining, forudsigende analyse og maskinlæringsalgoritmer) for at finde mønstre af relationer mellem dataelementer. Studerende vil lære, hvordan man indsamler passende data og analyserer dem for at lede beslutningstagere til en forbedret forståelse af dataene og deres ledelsesanvendelse.

Kursus studerendes læringsudbytte

• SLO 1: Få informationshåndteringsfærdigheder til at administrere data. (PLO 2, PLO 4)
• SLO 2: Få analytiske færdigheder og værktøjer til at forstå dataene. (PLO 2, PLO 4)
• SLO 3: Få en forståelse af datadrevet beslutningstagning og hvordan man håndterer usikkerhed. (PLO 2, PLO 4)
• SLO 4: Udvikl en dataorienteret tankegang for at hjælpe virksomheder med at handle ud fra dataene. (PLO 2, PLO 4)
• SLO 5: Udvikle færdigheder i at præsentere data til beslutningstagning. (PLO 1, PLO 2)

TECH 575: Big Data Analytics til IoT

Dette kursus introducerer eleverne til Apache Spark, en kraftfuld big databehandlingsramme, med fokus på dens anvendelse til at analysere datasæt i stor skala. Studerende vil lære at udnytte Sparks muligheder ved hjælp af Python, med vægt på den nyeste Spark 2.0 DataFrame-syntaks. Læreplanen dækker avancerede datamanipulationsteknikker, maskinlæringsapplikationer ved hjælp af MLlib og virkelige problemløsningsscenarier.

Studenter læringsresultater

• SLO 1: Syntetiser Python-programmering og Apache Spark-frameworks for at designe og implementere avancerede big data-analyseløsninger. (PLO 2, PLO 4)
• SLO 2: Evaluer og anvend Spark 2.0 DataFrame-syntaks til at optimere komplekse databehandlingsopgaver og forbedre analytisk effektivitet. (PLO 2, PLO 4)
• SLO 3: Skab og kritiser sofistikerede maskinlæringsmodeller ved hjælp af Sparks MLlib, inklusive logistisk regression, tilfældige skove og gradientforstærkede træer, for at løse klassifikationsproblemer i den virkelige verden. (PLO 2, PLO 4)
• SLO 4: Udvikle og vurdere innovative naturlige sprogbehandlingsapplikationer, såsom spamfiltre, ved at bruge Sparks muligheder for tekstanalyse og klassificering. (PLO 1, PLO 2 og PLO 4)
• SLO 5: Formuler en etisk ramme for big data-analyse, der integrerer kristne principper om forvaltning og privatliv, kritisk undersøger de samfundsmæssige implikationer af storskala dataanalyseteknikker. (PLO 3, PLO 5)

TECH 615: Applied AI: Solutions for Business

Dette kursus giver en omfattende introduktion til kunstig intelligens (AI), der udforsker dens transformative virkning på tværs af industrier og adresserer den voksende globale efterspørgsel efter AI-færdigheder. Studerende vil dykke ned i den seneste udvikling inden for Deep Learning, Reinforcement Learning, Natural Language Processing, Computer Vision og Robotics, mens de får praktisk erfaring med moderne deep learning-rammer som Keras.

Studenter læringsresultater

• SLO 1: Evaluer virkningen af AI på forskellige industrier, analyser aktuelle tendenser og forudsige fremtidige udviklinger på området. (PLO 2, PLO 4)
• SLO 2: Design og implementer kunstige neurale netværk til at løse komplekse forretningsproblemer, såsom forudsigelse af kundeafgang og aktiekursprognose. (PLO 2, PLO 4)
• SLO 3: Udvikl avancerede AI-modeller ved hjælp af foldede og tilbagevendende neurale netværk til billedgenkendelse og tidsserieanalyse i den virkelige verden af forretningssammenhænge. (PLO 2, PLO 4)
• SLO 4: Opret og vurder anbefalingssystemer og applikationer til behandling af naturligt sprog, og demonstrer færdigheder i at anvende AI for at forbedre kundeoplevelsen og forretningsdriften. (PLO 2, PLO 4)
• SLO 5: Syntetisere etiske overvejelser i AI-implementering med kristne principper om forvaltning og menneskelig værdighed, ved at formulere ansvarlige AI-strategier for forretningsapplikationer. (PLO 3, PLO 5)

TECH 630: Avanceret kunstig intelligens til forretningsindsigt og beslutningstagning

Dette kursus tilbyder et transformativt perspektiv på AI's indvirkning på forretningsområdet, idet det understreger den kritiske rolle, AI-færdigheder, herunder generativ AI som store sprogmodeller, spiller i nutidens informationsdrevne økonomi. Den fokuserer på at identificere, evaluere og udnytte muligheder for forretningsanalyse ved hjælp af både proprietære og offentlige datakilder.

Studenter læringsresultater

• SLO 1: Syntetiser komplekse datasæt for at skabe innovative forretningsløsninger, der demonstrerer avancerede analytiske evner i AI-drevne sammenhænge. (PLO 2, PLO 4)
• SLO 2: Evaluer aktuelle tendenser inden for AI-styring og -anvendelse, kritiser deres potentielle indvirkning på forskellige forretningssektorer. (PLO 2, PLO 4)
• SLO 3: Design og kritisk vurder forskellige AI- og datamining-modeller, som begrunder deres egnethed til specifikke forretningsscenarier. (PLO 2, PLO 4)
• SLO 4: Formuler samarbejdsstrategier for at omsætte forretningsudfordringer fra den virkelige verden til brugbare AI-modeller, der demonstrerer teamwork og problemløsningsevner. (PLO 2, PLO 5)
• SLO 5: Udvikle og forsvare effektive forretningsanalysestrategier, der integrerer AI-teknologier for at løse moderne forretningsproblemer. (PLO 2, PLO 4)
• SLO 6: Skab en etisk ramme for AI-implementering i erhvervslivet, der stemmer overens med kristne principper om forvaltning og socialt ansvar, idet man kritisk undersøger de moralske implikationer af AI-drevet beslutningstagning i organisatoriske sammenhænge. (PLO 3, PLO 5)

BUS 5223: Ledende dataanalyseprojekter

Dette kursus vil udsætte studerende for kritiske komponenter i operationalisering af business intelligence og dataanalyse for forbedret beslutningstagning og kvalitetsforbedring i en organisation. Specifikt vil de studerende lære at påtage sig rollen som business intelligence-konsulent og anvende dataanalyseteknikker til at informere forretningsbeslutninger.

Studenter læringsresultater

• SLO 1: Forstå centrale termer og begreber inden for dataanalyse. (PLO 2, PLO 4)
• SLO 2: Identificer vigtige analytiske færdigheder, der er nødvendige i professionen. (PLO 2, PLO 4)
• SLO 3: Præsenter data på en grafisk repræsentationsmåde. (PLO 1, PLO 2)
• SLO 4: Anvend koncepter og teknikker inden for forretningsanalyse. (PLO 2, PLO 4, PLO 5)

TECH 643: Statistiske metoder

Dette kursus tilbyder en omfattende udforskning af grundlæggende og avancerede statistiske teknikker, der er afgørende for dataanalyse og beslutningstagning på forskellige områder. Dette kursus dækker beskrivende statistik, sandsynlighedsteori, stikprøvefordelinger, hypotesetestning og inferentiel statistik. Studerende vil dykke ned i regressionsanalyse, herunder simpel og multipel lineær regression, samt en introduktion til logistisk regression. Studieordningen omfatter også variansanalyse (ANOVA), design af eksperimenter og ikke-parametriske metoder. Gennem hele forløbet lægges der vægt på både teoretisk forståelse og praktisk anvendelse ved brug af statistisk software som R eller SAS. Studerende vil arbejde med datasæt fra den virkelige verden for at udvikle færdigheder i datamanipulation, statistisk modellering og resultatfortolkning. Ved afslutningen af kurset vil deltagerne være udstyret med et robust statistisk værktøjssæt og evnen til at vælge og anvende passende metoder til at løse komplekse analytiske udfordringer på tværs af forskellige discipliner. Forudsætninger omfatter en grundlæggende forståelse af algebra og elementære statistiske begreber.

Studenter læringsresultater

• SLO 1: Demonstrere færdigheder i at anvende grundlæggende og avancerede statistiske teknikker til dataanalyse og beslutningstagning på tværs af forskellige felter. (PLO 2, PLO 4)
• SLO 2: Udfør og fortolk hypotesetests og inferentielle statistikker nøjagtigt. (PLO 2, PLO 4)
• SLO 3: Udfør regressionsanalyser, herunder simpel og multipel lineær regression og logistisk regression. (PLO 2, PLO 4)
• SLO 4: Anvend variansanalyse (ANOVA), design af eksperimenter og ikke-parametriske metoder på passende datasæt. (PLO 2, PLO 4)
• SLO 5: Integrer kristne principper for etik og forvaltning i anvendelsen af statistiske metoder, idet du anerkender ansvaret for at bruge dataanalyse til at forbedre samfundet og af bibelske værdier. (PLO 3, PLO 5)

TECH 674: Kvantitative metoder

Dette kursus giver en omfattende introduktion til væsentlige kvantitative metoder og statistiske teknikker, der anvendes i moderne datavidenskab. Studerende vil udvikle et stærkt fundament i sandsynlighedsteori, statistisk inferens og avancerede analytiske tilgange, der er afgørende for at analysere komplekse datasæt. Nøgleemner omfatter sandsynlighedsfordelinger og deres anvendelser, hypotesetestning og konfidensintervaller, lineær og ikke-lineær regressionsanalyse, tidsserieanalyse og prognose, Bayesiansk statistik og inferens, dimensionsreduktionsteknikker, klynge- og klassifikationsmetoder, resampling-metoder og bootstrapping. Gennem en kombination af forelæsninger, praktiske øvelser og casestudier fra den virkelige verden vil de studerende lære at anvende disse kvantitative metoder ved hjælp af populære datavidenskabelige værktøjer og programmeringssprog. Kurset lægger vægt på både teoretisk forståelse og praktisk implementering, og forbereder de studerende til at tackle komplekse dataanalyseudfordringer i forskellige brancher.

Studenter læringsresultater

• SLO 1: Anvend sandsynlighedsteori og statistiske inferensteknikker til at analysere komplekse datasæt i datavidenskabelige sammenhænge. (PLO 2, PLO 4)
• SLO 2: Udvikle og evaluere lineære og ikke-lineære regressionsmodeller, tidsserieanalyse og prognosemetoder til dataanalyse og forudsigelse. (PLO 2, PLO 4)
• SLO 3: Brug metoder til reduktion af dimensionalitet, clustering og klassificering til at udtrække meningsfulde mønstre fra højdimensionelle data. (PLO 2, PLO 4)
• SLO 4: Demonstrere færdigheder i at bruge populære datavidenskabelige værktøjer og programmeringssprog til at implementere kvantitative metoder på datasæt fra den virkelige verden. (PLO 2, PLO 4, PLO 5)
• SLO 5: Integrer kristne principper for etisk databrug og fortolkning, idet du anerkender ansvaret for at anvende kvantitative metoder på måder, der ærer sandheden, fremmer menneskelig opblomstring og afspejler god forvaltning af informationsressourcer. (PLO 3, PLO 5)

TECH 699: Data Science and Analytics Capstone Project

Dette capstone-kursus giver eleverne mulighed for at syntetisere og anvende den viden og de færdigheder, der er erhvervet gennem Master of Science in Data Science and Analytics-programmet. Studerende vil påtage sig et omfattende datavidenskabsprojekt i den virkelige verden, der adresserer en væsentlig forretningsmæssig eller samfundsmæssig udfordring. Ved at arbejde individuelt eller i små teams vil eleverne identificere et problem, indsamle og analysere relevante data, udvikle og implementere passende datavidenskabelige løsninger og kommunikere deres resultater effektivt. Projektet vil omfatte hele datavidenskabens livscyklus, herunder problemformulering, dataindsamling og forbehandling, eksplorativ dataanalyse, modeludvikling og -evaluering samt præsentation af resultater. Studerende forventes at integrere avancerede analyseteknikker, etiske overvejelser og forretningsindsigt i deres projekter. Kurset vil kulminere i en afsluttende præsentation og rapport, der demonstrerer den studerendes beherskelse af datavidenskabelige begreber og deres evne til at levere værdi gennem datadrevne løsninger.

Studenter læringsresultater

• SLO 1: Design og udfør et omfattende datavidenskabsprojekt, der adresserer et komplekst problem i den virkelige verden, og demonstrerer beherskelse af datavidenskabens livscyklus og avancerede analytiske teknikker. (PLO 2, PLO 4)
• SLO 2: Effektivt kommunikere komplekse datavidenskabelige koncepter, metoder og resultater til både tekniske og ikke-tekniske målgrupper gennem skriftlige rapporter, mundtlige præsentationer og datavisualiseringer. (PLO 1, PLO 4)
• SLO 3: Anvend etiske ræsonnementer og kristne principper i udformningen, implementeringen og evalueringen af datavidenskabelige løsninger, ved at tage fat på spørgsmål som databeskyttelse, bias og samfundspåvirkning. (PLO 3, PLO 5)
• SLO 4: Vurder kritisk og vælg passende datavidenskabelige metoder, værktøjer og teknologier til at løse specifikke forretningsmæssige eller samfundsmæssige udfordringer, retfærdiggør disse valg baseret på deres effektivitet og effektivitet. (PLO 2, PLO 4)
• SLO 5: Samarbejd effektivt i forskellige teams for at planlægge, udføre og levere et komplekst datavidenskabsprojekt, der demonstrerer lederskab, projektledelse og tværkulturelle kommunikationsevner. (PLO 1, PLO 5)
• SLO 6: Syntetisere indsigt fra dataanalyse for at udvikle strategiske anbefalinger, der driver forretningsværdi eller adresserer samfundsmæssige behov, og demonstrerer evnen til at bygge bro mellem datavidenskab og praktiske anvendelser. (PLO 2, PLO 3, PLO 4)

Institutionelle læringsresultater (ILO'er)

• ILO 1: Studerende vil kommunikere effektivt.
• ILO 2: Studerende vil bruge undersøgelsesmetoder til videnstilegnelse og -anvendelse.
• ILO 3: Eleverne vil løse konkrete problemer ved at anvende tro og etisk ræsonnement.
• ILO 4: Studerende vil tænke kreativt og kritisk for at forfølge et liv med læring.
• ILO 5: Studerende vil engagere sig i en kulturelt mangfoldig verden for at styrke forholdet til andre.

Program Learning Outcomes (PLO'er)

• PLO 1: Effektivt kommunikere komplekse datavidenskabelige koncepter og analytiske resultater til forskellige målgrupper, demonstrere kulturel følsomhed og etisk overvejelse i datapræsentation. (ILO 1, ILO 3, ILO 5)
• PLO 2: Anvend avancerede statistiske metoder, maskinlæringsteknikker og datamining-strategier til at udtrække meningsfuld indsigt fra datasæt i stor skala, kritisk evaluere resultaterne for at løse problemer i den virkelige verden. (ILO 2, ILO 4)
• PLO 3: Udvikle og implementere etiske datavidenskabelige løsninger, der integrerer kristne principper om forvaltning, privatliv og socialt ansvar, mens de effektivt kommunikerer de etiske implikationer til interessenter. (ILO 1, ILO 3, ILO 5)
• PLO 4: Kritisk evaluere og syntetisere aktuelle tendenser inden for datavidenskab og kunstig intelligens, og demonstrere evnen til at tilpasse sig hurtigt udviklende teknologier og metoder og effektivt kommunikere resultater for at fremme kontinuerlig læring. (ILO 1, ILO 2, ILO 4)
• PLO 5: Samarbejd effektivt i forskellige teams for at designe og udføre datavidenskabelige projekter, der adresserer globale udfordringer, ved at bruge passende undersøgelsesmetoder og etiske ræsonnementer til at fremme tværkulturel forståelse gennem datadrevet indsigt. (ILO 2, ILO 3, ILO 5)