Læringsplan 3

Mål	Teknik / Værktøj	Kriterier
(DevOps) Opsætte en pipeline til ML projektet.	Undersøge forskellige pipelines. - Azure - Amazon - Google - Bitbucket - Github	Jeg kender de forskellige pipelines.
	Jeg skal finde en pipeline. - Google - Stackoverflow - De forskellige pipeline dokumentation som jeg har fundet.	Jeg skal have valgt en pipeline jeg har vurderet som passer til opgaven. Den valgte pipeline skal kunne bygge projektet. Den valgte pipeline skal kunne deploye ML projektet.
	Jeg implementere den valgte pipeline. - Den valgte pipelines dokumentation.	Jeg har en fungerende pipeline til ML projektet. Den valgte pipeline kan bygge projektet. Den valgte pipeline kan deploye projektet.
(Machine Learning) Udvide på mit ML projekt til PO og optimere modellerne.	Implementere API så man kan modtage request på forudsigelser. - Python dokumentation. - Stackoverflow. - Andre fremsøgte kilder.	Man kan kalde APIen og få en forudsigelse tilbage.
	Modellens hyperparamtre tunes og modellen optimeres. - Eksperimenter med forskellige hyperparamtre og værdier. - Eksperimenter med forskellige modeller og/eller variationer af modellerne.	Modellen giver et tilfredstillende resultat. Modellen er den mindst krævende / mest effektive, så den ikke koster for mange resourcer, men samtidig levere et tilfredstillende resultat.

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)

Viden - Den studerende har viden om

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.