Læringsplan 2
| Mål | Teknik / Værktøj | Kriterier | Evaluering |
|---|---|---|---|
| (DevOps) Jeg skal kunne sætte et workflow op med noget automatisering. | Jeg researcher de mere tekniske dele af Deployment i DevOps. - Kubernetes kursus - Snakke med underviser - Bruge InLearning - Finde guides på nettet | Jeg skal kunne forstå hvordan en automatiserings kæde ser ud. | Ja jeg har sat en lille smule automatisering op. Og jeg forstår cirka, hvordan en pipeline ser ud. |
| Jeg undersøger hvordan man Deployer en applikation ud til en container orchestrator. - Kubernetes dokumentationen - Kubernetes kursus - Guides på nettet | Jeg skal kunne forstå hvordan man deployer en applikation ud til en container orchestrator. Jeg skal kunne komme med et eksempel på hvordan det ville kunne gøres for en given applikation. Jeg skal kunne nævne hver del i proccessen når man deployer en containerized applikation. | Jeg kan forstå hvordan man deployer en applikation til et container miljø, samt jeg kan give nogle eksempler på, hvordan jeg vil deploye en given applikation. Jeg kan dog ikke nævne, hver del i proccessen til når man deployer en applikation. | |
| Jeg laver forskellige forsøg med Deployment af små applikationer - Minikube (Lokal Kubernetes) - Kubectl - Guides på nettet | Jeg skal have deployet minimum 1 applikation Jeg skal have deployet applikationer på forskellige måder | Jeg har deployet en test applikation. Jeg har ikke forsøgt på flere forskellige måder end fra Github og fra Kubernetes kubectl. | |
| Jeg evaluere over mine forskellige fund omkring automatisering. - Gør brug af ERFA DevOps gruppen - Snak med PO omkring deres setup - Portefølje - Stil kritiske spørgsmål overfor fundne f.eks. er de brugebare eller relevante for projektet? | Jeg har noter omkring mine fund Jeg har blog indlæg der dokumentere mine fund Jeg har en idé om hvad automatisering indebære | Jeg har få noter til fund i form af blog. Jeg har en god idé om automatisering. | |
| (Machine Learning) Jeg skal kunne kode mit eget lille Machine Learning projekt | Jeg undersøger den mere tekniske og kodemæssige del af Machine Learning - Datacamp PBA Track - Artikler - Guides på nettet til de forskellige frameworks | Jeg har en forståelse for hvorfor forskellige frameworks bruges Jeg har en forståelse for hvordan et Machine Learnings projekt er opstillet | Jeg har brugt lidt forskellige frameworks som Keras, Tensorflow, ML.NET og scikit-learn. Jeg har lavet og opstillet forskellige små ML projekter. |
| Jeg lære de forskellige frameworks at kende på meget basal plan og opsætter små forsøg - Diverse forskellige frameworks - Dokumentation fra de forskellige frameworks websider | Jeg har dannet et overblik over de forskellige frameworks der bruges Jeg har en forståelse for, hvorfor der findes forskellige måder, at gøre tingene på afhængig af opgaven | Ja der bruges f.eks. Keras, Tensorflow, ML.NET og scikit-learn. Jeg har fundemental forståelse for, hvorfor der bliver brugt forskellige. | |
| Jeg koder en lille prototybe der kan analysere den samme type data som bruges i vores projekt - Visual Studio Code - De frameworks jeg finder frem til - Guides på nettet - Artikler | Jeg skal kunne analysere data der minder om den vi skal bruge i projektet Jeg skal selv have kodet opsætningen af projektet | Ja. Jeg har kodet et projekt der kan behandle og analysere på dataene fra vores POs API. |
Personlige Læringsmål
Viden - Den studerende har viden om
- (DevOps) DevOps kerneværdier “CAMS” (Systemudvikling)
- (DevOps) Værktøjer (Praksisser) brugt i et succesfuldt DevOps miljø (Systemudvikling / Teknologi)
- (DevOps) Nøglemetodologier ofte brugt i DevOps (Systemudvikling)
- (Machine Learning) Brug af Machine Learning i virkeligheden (Teknologi / Virksomheden)
- (Machine Learning) Hvordan Neurale Netværk er opbygget (Teknologi / Programmering)
- (Machine Learning) Forskellige eksisterende algoritmer og arkitekture brugt i Machine Learning (Teknologi / Programmering)
Færdigheder - Den studerende kan
- (DevOps) Brug af Pipelines som værktøj til CI/CD (Teknologi)
- (DevOps) Valg og brug af de rigtige værktøjer i ens værktøjsbælte, så de komplementere hinanden, teamet og systemet. (Systemudvikling / Teknologi)
- (DevOps) Implementering af Configuration Management (Teknologi)
- (Machine Learning) Implementering af Machine Learning i praksis (Programmering)
- (Machine Learning) Brug af forskellige Machine Learning algoritmer (Programmering)
Kompetencer - Den studerende kan
- (DevOps) Implementering og tilpasning af det korrekte workflow til opgaven (Systemudvikling)
- (Machine Learning) Fortolkning og tilpasning af en Machine Learning algoritme for, at løse en given problemstilling (Teknologi / Programmering)
Generelle læringsmål
Viden - Den studerende har viden om
- Det/de valgte emners teori og praksis.
- Det/de valgte emners relevans i forhold til IT - fagets teori og praksis.
Færdigheder - Den studerende kan
- Udvælge, beskrive og foretage litteratursøgning af en selvvalgt it - faglig problemstilling
- Diskutere samfundsmæssige aspekter knyttet til det/de valgte emner.
- Vurdere problemstillinger og opstille løsningsmuligheder i forhold til det/de valgte emner.
- Formidle centrale resultater.
Kompetencer - Den studerende kan
- Selvstændigt sætte sig ind i nye emner inden for fagområdets teori og/eller praksis.
- Perspektivere og relatere det/de valgte emner i forhold til uddannelsens øvrige emneområder