At give deltagerne en grundlæggende indsigt i:
• Basale data science-koncepter og udvalgte metoder
• Kommunikation af data science-analyser
• Projektarbejde i grupper i forbindelse med data science En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forklare data science-processerne i PPDAC-cyklen
• Vælge egnet data til at analysere et selvvalgt samfundsrelevant emne
• Kommunikere data science-analyser til et ikke-teknisk publikum i en mundtlig præsentation med hensigtsmæssigt designede datavisualiseringer
• Give relevant peerfeedback baseret på prædefinerede kriterier og benytte feedback til konstruktivt at forbedre en data science-analyse
• Beskrive og reflektere over egen rolle i et projektbaseret gruppearbejde
• Anvende basale data science-metoder i Python og vurdere deres egnethed for et givent problem og datasæt
• Argumentere for valg af variable og deres form i en multipel regressionsmodel baseret på statistiske mål og visualiseringer
• Udføre relevante scenarieanalyser baseret på modelprædiktioner i Python og fortolke resultaterne med henblik på at kvalificere den offentlige debat af en samfundsmæssig problemstilling
• Skrive en sammenhængende rapport der syntetiserer en data science-analyse og dens begrænsninger på en velstruktureret måde

Kurset er en introduktion til data science med det formål at udvikle de studerendes forståelse for, hvad det vil sige at arbejde med data science i en samfundsmæssig kontekst. Kurset introducerer forskellige typer af basale data science-metoder (multipel lineær regression, logistisk regression og cluster-analyse), men sigter også efter at give de studerende mulighed for at erhverve sig relevante generiske ingeniørkompetencer såsom at arbejde i en gruppe og kommunikere resultater skriftligt såvel som mundtligt. Derudover vil kurset også berøre hvordan ingeniører i praksis arbejder med data science, så de studerende opnår en forståelse af samfundsmæssige anvendelser af data science udenfor universitetet.

Kurset består af en blanding af projektarbejde og interaktive klassesessioner. Klassesessionerne baseres på aktiv læring med maksimal fokus på hands-on erfaring og diskussioner. De studerende har allokeret tid til at arbejde med deres projekter i løbet af sessionerne, men selvstændigt viderearbejde med projekterne mellem kursusgangene forventes. Kurset gør brug af udvalgte dele af følgende:
- James, Witten, Hastie, Tibshirani, Taylor (2023) An Introduction to Statistical Learning: with Applications in Python. https:/​/​findit.dtu.dk/​en/​catalog/​64f4119c68cc5422d030e2e9.
- Wilke (2019). Fundamentals of data visualization: a primer on making informative and compelling figures. O'Reilly Media. https:/​/​clauswilke.com/​dataviz/​.

Yderligere materiale stilles til rådighed i løbet af kurset. Kurset er et indledende obligatorisk element af bacheloruddannelsen Data Science og Management. Kurset er forbeholdt studerende på bacheloruddannelsen Data Science og Management. 18. august, 2025