Formålet med første iteration er at have et minimalt produkt, ud for de krav vi har indsamlet hos PO.
Læringsplan 1
| Mål | Teknik / Værktøj | Kriterier | Evaluering |
|---|---|---|---|
| (DevOps) Jeg skal kunne opsætte et basalt workflow og have en mindre forståelse for DevOps. | Jeg researcher for at kunne forstå begreberne der bliver brugt. Samt danne et overblik over, hvordan DevOps fungere og hænger sammen. - Google, Stackoverflow - Snakker med underviser - Snakker med medstuderende - Bruger InLearning - Finder videoer på nettet | Jeg kan forstå en faglig tekst omkring DevOps Jeg kender til konceptet bag DevOps | Ja efter et par kurser i DevOps fundamentals har jeg en rimelig forståelse for emnet. |
| Jeg finder frem til en basal pipeline der giver mening for projektet. - Snakker med medstuderende om hvad de har gjort - Snakker med underviser / vejleder for evt. råd - Gennemgår / bruger den viden jeg har indsamlet | Det er en pipeline der er kendt og dokumenteret | Til projektet fandt jeg ikke nogen pipeline, da det er for tidligt endnu. Men til min egen blog bruger jeg Github actions som pipeline og har en smule forståelse for det. | |
| Jeg skal opsætte den basale pipeline. - Gennemgår tutorials på nettet, enten videoer eller skrevet fra f.eks. Medium | Den kan bygge et projekt succesfuldt | Github actions bygger mine side succesfuldt og jeg kan tjekke logs og fejl under mit Github projekt. | |
| Jeg kigger på hvor effektiv min løsning er i forhold til Continues Deployment. - Spørger min produktgruppe om tilfredsheden omkring den valgte pipeline / workflow - Kigger på, hvor lang tid det tager at gå fra Commit til Deployment | Jeg har en idé om, hvor god løsningen er | Igen har vi ikke noget til projektet, da vi ikke har noget system som sådan. Men i forhold til CD til min blog er det ganske udemærket, da den bygger og deployer automatisk. | |
| (Machine Learning) Jeg skal kunne have en lille forståelse for Machine Learning. Jeg skal udføre en meget lille form for analysering af noget data. | Jeg researcher emnet for, at danne en begrebsforståelse, samt finde typer af ML for at skabe et overblik. - Læse udleveret materiale fra underviser - Stackoverflow, Google, Internettet - Snakke med medstuderende | Jeg kan forstå en samtale om emnet Jeg kender til flere forskellige typer af ML | Jeg har læst et par artikler samt kørt lidt lektioner på Datacamp. Og mener at dette har dannet en grund forståelse. |
| Jeg undersøger hvordan ML fungere på basalt niveau, hvad der driver det. - Kurser, InLearning - Online videoer, litteratur - Sparring med medstuderende - Samtale med underviser / vejleder | Jeg kender til det der ligger under motorhjelmen | Jeg forstår hvordan forskellige former af ML fungere og også hvordan nogle af dem gør brug af neurale netværk. Jeg har ikke deltaget i ERFA Machine Learning, da jeg har været syg og glemt det. | |
| Jeg finder ud af hvordan det bruges i virkeligheden. - Nyheder - Opslag fra Internettet - Kigge på tech firmaers websites f.eks. Microsoft, Google, Facebook, Amazon | Jeg har eksempler på virksomheder som bruger ML Jeg kender til forskellige brug af ML i virkeligheden | Jeg har set en dokumentar-serie på nettet kaldet "The Age Of A.I." omkring hvordan Machine Learning bruges og udvikler sig. Samt så bruger næsten alle større virksomheder en form for Machine Learning i dag især, hvis de er tech eller web baseret. | |
| Jeg vælger hvilken læeringstype og/eller algoritmer jeg skal bruge. - Undersøger hvilke måder maskiner lære på - Materiale på openai's website - Online litteratur | Jeg kender til forskellige metoder maksiner lære Jeg kender til forskellige algoritmer brugt til ML | Både og. Jeg kender nogle få basale algoritmer såsom kNN. | |
| Jeg udføre min analyse. - Følge online tutorials | Jeg får et resultat på den data jeg har givet | Dette har jeg kun udført i Datacamp lektionerne. | |
| Jeg reflektere over, hvad der skete og hvorfor det skete. - Fik jeg faktisk en maskine til at lære? - Er resultatet præcist / realistisk? - Gennemgå hvorfor det gik godt, eller hvorfor det ikke gjorde - Notere mine svar og resultater | Jeg har notater omkring mine resultater | Jeg har de forventet resultater baseret på Datacamp lektionerne. |
Opsummering
Der har været en del udfordringer såsom jeg har været syg og skiftet medicin samt andre personlige forhold som har gjort at indsatsen ikke har været acceptabel ifølge mig selv. Jeg har dog stadig lært noget, men jeg føler ikke det har været tilstrækkeligt. Jeg har svært ved at dokumentere min læring og opdatere min blog, så det er noget jeg skal fokusere mere på. Samtidig skal jeg tage mig mere tid til studiet og prøve at udsætte diverse andre ting.
Omkring projektets fremgang har vi en lille mobil platform og møder med PO en gang om måneden. Så projektets fregang er nok passende.
Jeg skal blive bedre til at hænge op i mig selv og opdatere min blog. Samt skal jeg snakke med min vejleder for, at kunne få råd og vejledning omkring, hvordan jeg bedre håndtere mine personlige udfordringer.
Kilder brugt
Datacamp PBA-track - Afsnit 1, Del 1 - 2
LinkedIn Learning “DevOps Foundations” - 2h 63m (Ikke færdig)
Udemy “Learn DevOps: The Complete Kubernetes Course” - 13,5h (Ikke færdig)
https://legacy.gitbook.com/book/leonardoaraujosantos/artificial-inteligence/details
LinkedIn Learning “Artificial Intelligence Foundations: Machine Learning” - 1h 17m
LinkedIn Learning “Artificial Intelligence Foundations: Thinking Machines” - 1h 27m
LinkedIn Learning “Artificial Intelligence Foundations: Neural Networks” - 1h 16m