Forudsætninger for deltagelse i modulet

Modulets indhold, forløb og pædagogik

Mål
Formålet for modulet er, at den studerende tilegner sig en anvendelsesorienteret forståelse for computationelle og dataintensive metoder med fokus på prædiktive algoritmer og machine learning. Metoderne kan anvendes på strukturerede og ustrukturerede data i form af numerisk data, tekstdata og billeddata, der er relevante i undersøgelser af samfundsvidenskabeligesociale fænomener og problemstillinger. Målet er, at de studerende tilegner sig den nødvendige viden om computationelle metoder, der sætter dem i stand til at vælge, analysere og præsentere samfundsvidenskabelige problemstillinger med prædiktive metoder samtidig med, at de vil være i stand til at forstå forskellen mellem modellernes output og mulighederne for explainability.

Indhold
Kurset giver en videregående indsigt i computationel tænkning med særlig fokus på dataintensive metoder og machine learning. Ved brug af Python introduceres til en række udvalgte metoder; herunder NLP, random forests, anomalidetektion og neurale netværk. Fokus er på sammenhængen mellem samfundsvidenskabelige problemstillinger og mulighederne/begrænsningerne i machine learning modeller.

Læringsmål

Viden

• Opnår viden om metoder og teknikker til at lave prædiktioner i samfundsvidenskaben
• Opnår viden om specifikke analysemodeller til prædiktioner på strukturerede og ustrukturerede datatyper
• Opnår viden om relevante machine learning modeller 
• Opnår indsigt i model explainability og de potentielle begrænsninger der kan forekomme ved brug af machine learning
• Opnår viden om metodernes samspil med sociale data og sociale fænomener
   

Færdigheder

• Kan gengive og redegøre for grundbegreber og centrale forståelser i prædiktive modeller
• Kan anvende nyere digitale metoder til dataudforskning og prædiktion
• Kan reflektere over og analysere en aktuel samfundsvidenskabelig problemstilling eller tematik ved hjælp af nyere digitale metoder
• Kan relatere, sammenligne og diskutere styrker og svagheder ved nyere digitale metoder og deres forskellige analysestrategier
• Kan kritisk vurdere og vælge den passende analyseteknik til strukturerede datasæt
• Kan nedbryde de kritiske elementer i modellerne og implementere model explainability
   

Kompetencer

• Har evnen til at udvælge, belyse, diskutere og analysere problemstillinger med inddragelse af relevante metodiske tilgange og digitale metoder
• Har evnen til at identificere og diskutere udfordringer og løsninger i arbejdet med dataudforskningsteknikker
   

Undervisningsform

Kurset afvikles som en kombination af forelæsninger, øvelser og e-læring.

Eksamen

Prøver