Prosjektledelse og IT-kompetanse

Modern Application Architecture [-]

The students will also explore how to implement data security including authentication, authorization, data policies and standards. They will also define and implement data solution monitoring for both the data storage and data processing activities. Finally, they will manage and troubleshoot Azure data solutions which includes the optimization and disaster recovery of big data, batch processing and streaming data solutions. Agenda Module 1: Azure for the Data Engineer -Explain the evolving world of data-Survey the services in the Azure Data Platform-Identify the tasks that are performed by a Data Engineer-Describe the use cases for the cloud in a Case Study Module 2: Working with Data Storage. -Choose a data storage approach in Azure-Create an Azure Storage Account-Explain Azure Data Lake storage-Upload data into Azure Data Lake Module 3: Enabling Team Based Data Science with Azure Databricks. -Explain Azure Databricks and Machine Learning Platforms-Describe the Team Data Science Process-Provision Azure Databricks and workspaces-Perform data preparation tasks Module 4: Building Globally Distributed Databases with Cosmos DB. -Create an Azure Cosmos DB database built to scale-Insert and query data in your Azure Cosmos DB database-Provision a .NET Core app for Cosmos DB in Visual Studio Code-Distribute your data globally with Azure Cosmos DB Module 5: Working with Relational Data Stores in the Cloud. -SQL Database and SQL Data Warehouse-Provision an Azure SQL database to store data-Provision and load data into Azure SQL Data Warehouse Module 6: Performing Real-Time Analytics with Stream Analytics. Module 7: Orchestrating Data Movement with Azure Data Factory. -Explain how Azure Data Factory works-Create Linked Services and datasets-Create pipelines and activities-Azure Data Factory pipeline execution and triggers Module 8: Securing Azure Data Platforms. -Configuring Network Security-Configuring Authentication-Configuring Authorization-Auditing Security Module 9: Monitoring and Troubleshooting Data Storage and Processing. -Data Engineering troubleshooting approach-Azure Monitoring Capabilities-Troubleshoot common data issues-Troubleshoot common data processing issues Module 10: Integrating and Optimizing Data Platforms. -Integrating data platforms-Optimizing data stores-Optimize streaming data-Manage disaster recovery [-]

Blended Virtual Course The course is a hybrid of virtual training and self-study which will be a mixture of teaching using Microsoft Teams for short bursts at the beginning of the day, then setting work for the rest of the day and then coming back at the end of the day for another on-line session for any questions before setting homework in the form of practice exams for the evening. You do not have to install Microsoft Teams , you will receive a link and can access the course using the web browser.  Remote proctored examTake your exam from any location. Read about iSQI remote proctored exam here Requirements for the exam: The exam will be using Google Chrome and there is a plug-in that needs to be installed  You will need a laptop/PC with a camera and a microphone  A current ID with a picture  This 3-day course is aimed at anyone wishing to attain the ISTQB Advanced Test Automation Engineer qualification. This qualification builds upon the Foundation syllabus and provides essential skills for all those involved in test automation and who want to develop further their expertise in one or more specific areas. Bouvet sine kursdeltakeres testresultater vs ISTQB gjennomsnitt A Test Automation Engineer is one who has broad knowledge of testing in general, and an in-depth understanding in the special area of test automation. An in-depth understanding is defined as having sufficient knowledge of test automation theory and practice to be able to influence the direction that an organization and/or project takes when designing, developing and maintaining test automation solutions for functional tests. The modules offered at the Advanced Level Specialist cover a wide range of testing topics.   The course is highly practical addressing the following areas: Introduction and objectives for Test Automation This section provides an introduction to test automation explaining the objectives, advantages, disadvantages and limitations of test automation as well as technical success factors of a test automation project. Preparing for Test Automation Understanding the type of system is vital for determining the most appropriate automation solution and also how we can design systems and testing for more effective automation. This section also looks at how we can evaluate for the most appropriate tools. The generic Test Automation architecture A test automation engineer has the role of designing, developing, implementing, and maintaining test automation solutions. As each solution is developed, similar tasks need to be done, similar questions need to be answered, and similar issues need to be addressed and prioritized. These reoccurring concepts, steps, and approaches in automating testing become the basis of the generic test automation architecture, and this will be discussed in detail during this section Deployment risks and contingencies This section looks at the various risks associated with the deployment of test tools and how to avoid test automation failure. Test Automation reporting and metrics Providing information to stakeholders for them to make informed decisions about the quality of the software is a vital part of testing and this section looks at the various metrics that can be used to monitor test automation and what information should be supplied to the stakeholder and how it should be presented. Transitioning manual testing to an automated environment This section looks at the various criteria to apply to determine the suitability for automation and understanding the factors for transitioning from manual to automation testing Verifying the Test Automation solution To have justified confidence in the information we supply to the stakeholders regarding test automation we must have justified confidence in the test environment and test automation solution supporting the information Continuous improvement This section looks ahead and how we can improve the automation solution making it more effective and efficient The Exam The ISTQB Advanced Test Automation Engineer exam is a 1 hour 30 minute, 40 question multiple-choice exam totaling 75 points. The pass mark is 65% (49 out of 75). It is a pre-requisite that attendees hold the ISTQB Foundation Level certificate. [-]

 This course teaches you to leverage your existing knowledge of Python and machine learning to manage data ingestion and preparation, model training and deployment, and machine learning solution monitoring in Microsoft Azure. TARGET AUDIENCE This course is designed for data scientists with existing knowledge of Python and machine learning frameworks like Scikit-Learn, PyTorch, and Tensorflow, who want to build and operate machine learning solutions in the cloud. COURSE CONTENT Module 1: Introduction to Azure Machine Learning In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace. Getting Started with Azure Machine Learning Azure Machine Learning Tools Lab : Creating an Azure Machine Learning WorkspaceLab : Working with Azure Machine Learning Tools After completing this module, you will be able to Provision an Azure Machine Learning workspace Use tools and code to work with Azure Machine Learning Module 2: No-Code Machine Learning with Designer This module introduces the Designer tool, a drag and drop interface for creating machine learning models without writing any code. You will learn how to create a training pipeline that encapsulates data preparation and model training, and then convert that training pipeline to an inference pipeline that can be used to predict values from new data, before finally deploying the inference pipeline as a service for client applications to consume. Training Models with Designer Publishing Models with Designer Lab : Creating a Training Pipeline with the Azure ML DesignerLab : Deploying a Service with the Azure ML Designer After completing this module, you will be able to Use designer to train a machine learning model Deploy a Designer pipeline as a service Module 3: Running Experiments and Training Models In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models. Introduction to Experiments Training and Registering Models Lab : Running ExperimentsLab : Training and Registering Models After completing this module, you will be able to Run code-based experiments in an Azure Machine Learning workspace Train and register machine learning models Module 4: Working with Data Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments. Working with Datastores Working with Datasets Lab : Working with DatastoresLab : Working with Datasets After completing this module, you will be able to Create and consume datastores Create and consume datasets Module 5: Compute Contexts One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you'll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs. Working with Environments Working with Compute Targets Lab : Working with EnvironmentsLab : Working with Compute Targets After completing this module, you will be able to Create and use environments Create and use compute targets Module 6: Orchestrating Operations with Pipelines Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it's time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you'll explore how to define and run them in this module. Introduction to Pipelines Publishing and Running Pipelines Lab : Creating a PipelineLab : Publishing a Pipeline After completing this module, you will be able to Create pipelines to automate machine learning workflows Publish and run pipeline services Module 7: Deploying and Consuming Models Models are designed to help decision making through predictions, so they're only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing. Real-time Inferencing Batch Inferencing Lab : Creating a Real-time Inferencing ServiceLab : Creating a Batch Inferencing Service After completing this module, you will be able to Publish a model as a real-time inference service Publish a model as a batch inference service Module 8: Training Optimal Models By this stage of the course, you've learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you'll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data. Hyperparameter Tuning Automated Machine Learning Lab : Tuning HyperparametersLab : Using Automated Machine Learning After completing this module, you will be able to Optimize hyperparameters for model training Use automated machine learning to find the optimal model for your data Module 9: Interpreting Models Many of the decisions made by organizations and automated systems today are based on predictions made by machine learning models. It's increasingly important to be able to understand the factors that influence the predictions made by a model, and to be able to determine any unintended biases in the model's behavior. This module describes how you can interpret models to explain how feature importance determines their predictions. Introduction to Model Interpretation using Model Explainers Lab : Reviewing Automated Machine Learning ExplanationsLab : Interpreting Models After completing this module, you will be able to Generate model explanations with automated machine learning Use explainers to interpret machine learning models Module 10: Monitoring Models After a model has been deployed, it's important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data. Monitoring Models with Application Insights Monitoring Data Drift Lab : Monitoring a Model with Application InsightsLab : Monitoring Data Drift After completing this module, you will be able to Use Application Insights to monitor a published model Monitor data drift   [-]

AI-102: Designing and Implementing a Microsoft Azure AI Solution [-]

The course will cover general cloud computing concepts as well as general cloud computing models and services such as Public, Private and Hybrid cloud and Infrastructure-as-a-Service (IaaS), Platform-as-a-Service(PaaS) and Software-as-a-Service (SaaS). It will also cover some core Azure services and solutions, as well as key Azure pillar services concerning security, privacy, compliance and trust. It will finally cover pricing and support services available.   Agenda Module 1: Cloud Concepts -Learning Objectives-Why Cloud Services?-Infrastructure-as-a-Service (IaaS), Platform-as-a-Service (PaaS) and Software-as-a-Service (SaaS)-Public, Private, and Hybrid cloud models Module 2: Core Azure Services -Core Azure architectural components-Core Azure Services and Products-Azure Solutions-Azure management tools Module 3: Security, Privacy, Compliance and Trust -Securing network connectivity in Azure-Core Azure Identity services-Security tools and features-Azure governance methodologies-Monitoring and Reporting in Azure-Privacy, Compliance and Data Protection standards in Azure Module 4: Azure Pricing and Support -Azure subscriptions-Planning and managing costs-Support options available with Azure-Service lifecycle in Azure [-]

Studieår: 2013-2014   Gjennomføring: Høst Antall studiepoeng: 5.0 Forutsetninger: Erfaring fra et objektorientert programmeringsspråk, kjennskap til prosjektarbeid Innleveringer: Innleverte øvinger. Det blir gitt 10 øvinger, 8 må være godkjent for å kunne gå opp til eksamen. Personlig veileder: ja Vurderingsform: 4 timer skriftlig eksamen. Ansvarlig: Tore Berg Hansen Eksamensdato: 12.12.13         Læremål: Forventet læringsutbytte:Etter å ha gjennomført emnet Objektorientert systemutvikling skal studenten ha følgende samlete læringsutbytte: KUNNSKAPER:Kandidaten:- kan definere, gjenkjenne og forklare de grunnleggende konsepter for utvikling av store programvaresystemer basert på det objektorienterte paradigme- argumentere for betydningen av å følge en prosessmodell- argumentere for fordelene med smidige prosesser- argumentere for modellbasert utvikling- beskrive modellene som brukes i objektorientert systemutvikling og hvordan de henger sammen- forklare begrepene arkitektoniske stiler og designmønstre FERDIGHETER:Kandidaten:- kan demonstrere den systematiske gangen fra krav, via arkitektonisk og detaljert design, til ferdig kodet og implementert system GENERELL KOMPETANSE:Kandidaten:- er klar over at utvikling av store programvaresystemer er ingeniørarbeid- er seg bevisst at utvikling av komplekse programvaresystemer krever koordinert innsats av et velfungerende team som følger en definert, smidig prosess- er opptatt av tett kontakt med alle interessenter for å oppnå et godt resultat Innhold:Utviklingsprosesser. Modellering. UML. Verktøy. Objektorientert analyse Objektorientert design. Bruk av arkitektoniske stiler og design mønstre. Implementasjon og test.Les mer om faget her Påmeldingsfrist: 25.08.13 / 25.01.14         Dette faget går: Høst 2013    Fag Objektorientert systemutvikling 4980,-         Semesteravgift og eksamenskostnader kommer i tillegg.    [-]

  Studieår: 2013-2014   Gjennomføring: Vår Antall studiepoeng: 5.0 Forutsetninger: Ingen Innleveringer: For å kunne gå opp til eksamen må 8 utvalgte øvingsoppgaver være godkjente. Det settes krav til at studenten har tilgang til en PC som kan brukes til praktiske maskinvare- og programvareendringer for å trene på feildiagnostisering og feilretting. Maskinen kan gjerne være en eldre og utdatert maskin, men den må virke. Personlig veileder: ja Vurderingsform: Skriftlig eksamen, individuell, 3 timer. Ansvarlig: Geir Ove Rosvold Eksamensdato: 20.12.13 / 23.05.14         Læremål: KUNNSKAPER:Kandidaten:- har innsikt i datamaskinens virkemåte både fra et teoretisk og praktisk ståsted- kjenner godt til de enkelte komponenter i datamaskinen og hvordan de virker sammen- kjenner til de grunnleggende matematikk- og informatikktema (tallsystemer, datarepresentasjon, lokalitet) som er relevante for emnets tekniske hovedtemaer FERDIGHETER:Kandidaten:- kan gjøre nytte av sine teoretiske kunnskaper inne emnets tema i relevant praktisk problemløsing- kan optimalisere, oppgradere og holde ved like en datamaskin, samt diagnostisere, feilsøke og reparere en datamaskin ved de vanligste feilsituasjoner GENERELL KOMPETANSE:Kandidaten:- har kompetanse til selvstendig både å formidle og å ta i bruk sine kunnskaper og ferdigheter innen emnets tema- kan i en praktisk driftssituasjon, forklare og gjøre bruk av sin kunnskap både innen hvert enkelt tema i faget og på tvers av temaene Innhold:Datamaskinarkitektur: De viktigste komponentene og deres virkemåte og oppbygging: CPU, buss, lagerteknologier (cache og ulike typer primær- og sekundærlager), kontrollere og io-utstyr, avbruddsmekanismen, DMA, brikkesett og moderne systemarkitektur, ulike maskinklasser. Prosessorarkitektur: Pipeline, superskalaritet, dynamisk utføring, mikrooperasjoner, kontrollenheten, hardkoding kontra mikroprogrammering, RISC og CISC. Teori-tema: Tallsystemer. Datarepresentasjon og -aritmetikk. Buss- og lagerhierarki. Cache og lokalitet. Høynivåspråk kontra assembly. Praktisk driftsarbeid: Kabinett, hovedkort, ulike prosessorer, buss, RAM, cache, BIOS. Lyd-, nettverks-og skjermkort. Sekundærminne (Harddisk, CD-ROM, DVD, tape og andre typer). Avbruddsmekanismen, I/O, DMA og busmastering. Å oppdage og rette feil. Boot-prosessen. Formatering, partisjonering.Les mer om faget her [-]

Kursinnhold     * Organisasjoner og bruk av IT    * IT- ledelse                     * Verdsettelse av IT    * Den globale nettverksøkonomien    * Prosjektledelse    * Samarbeid og kommunikasjon    * Juridiske og etiske problemstillinger   UndervisningsformKlasseromsundervisning med prosjektor hvor deltakerne får tildelt PC med nødvendig programvare installert. Praktisk trening med øvingsoppgaver for å aktivisere kunnskapen.     InstruktørerVi har erfarne instruktørene med høy kompetanse, lang erfaring og dyktige pedagogiske evner.     MålsetningModul Plan, ser på organisasjoner og deres bruk av IT, både som en tilrettelegger for effektive informasjonsystemer, og som en plattform for innovasjon. Modulen krever at kandidaten skal ha en grundig forståelse av organisasjoner, deres strategier og forretningsprosesser, samt de globale trender og muligheter som er involvert. Kandidaten skal kjenne igjen de viktigste problemstillinger knyttet til styringen av IT, som for eksempel å velge riktig teknologi, eller å velge mellom utvikling av interne systemer eller outsourcing. Kandidaten skal også kunne begrunne IT-investeringer og få kjennskap til noen av de juridiske og etiske aspekter ved bruken av IT.   Kandidaten skal bli oppmerksom på kravet om en profesjonell tilnærming til prosjektledelse og kvalitetsikring. Kandidaten skal også forstå betydningen av teambygging og effektivt kommunikasjon når man presenterer sin analyse eller beslutning for organisasjonen.   [-]

Kursinnhold• Hardwarekomponenter og arkitektur• Operativsystemer  • Kommunikasjon og nettverk• Nettverkstjenester• Trådløs og mobil databehandling• Nettverksadministrasjon• Service og support   UndervisningsformKlasseromsundervisning med prosjektor hvor deltakerne får tildelt PC med nødvendig programvare installert. Praktisk trening med øvingsoppgaver for å aktivisere kunnskapen.   InstruktørerVi har erfarne instruktørene med høy kompetanse, lang erfaring og dyktige pedagogiske evner.   MålsetningModul Operate omhandler nettverk og relaterte kommunikasjonstjenester innen en IT- infrastruktur, samt vedlikehold og brukerproblemstillinger i forhold til tjenestetilbudet. Modulen krever at kandidaten skal kjenne til hardware komponenter, dataarkitekturer og forskjellige operativsystemer. Kandidaten skal også skille mellom ulike nivåer av kommunikasjonsprotokoller, og deres bruk i både kablede og trådløse nettverksteknologier. Dessuten skal kandidaten forstå Simple Network Management Protocol (SNMP), e-post og webtjenester, og de tilhørende sikkerhetstrusler og mottiltak. Kandidaten skal forstå betydningen av en klient-orientert tilnærming til IT-støtte, og kunne benytte noen av de grunnleggende prinsipper for IT-support.. [-]

DP-203: Data Engineering on Microsoft Azure [-]

Inga Strümke gir deg en innføring i kunstig intelligens og maskinlæring som gjør det lettere å ta bedre beslutninger. Kunstig intelligens (AI) er mer i vinden enn noensinne, men visste du at det har eksistert som akademisk fagfelt siden 1950-tallet? I dette kurset får du en innføring i hva kunstig intelligens egentlig er for noe, hvordan det brukes i dag og hvordan du kan anvende det for å ta bedre beslutninger. Du lærer om maskinlæring og nevrale nettverk, og hvordan dyp læring brukes til komplekse problemer som språkforståelse og bildegjenkjenning. Du får innsikt i fallgruver, hvorfor de oppstår og hvordan de kan unngås, og ikke minst – hva du bør tenke på når din bedrift skal ta i bruk kunstig intelligens.  HVA VIL DU LÆRE: Kunstig intelligens Maskinlæring, dyp læring og nevrale nettverk Data Bildegjenkjenning og språkforståelse Proxyvariabler og korrelasjon i modeller Forklaringer: Hva og for hvem? Integrering i bedriften Leksjoner Introduksjon til kurset Innføring i kunstig intelligens og algoritmer Maskinlæring Data  Nevrale nettverk og dyp læring Bildegjenkjenning Språkmodeller Proxy-variabler og et eksempel fra forsikring Korrelasjon og kausalitet  Forklaring - hva og for hvem? Eksempler på bruk Helhetlig integrering  Oppsummering [-]

Agenda Module 1: Implement VMs for Windows and Linux -Select Virtual Machine Size-Configure High Availability-Implement Azure Dedicated Hosts-Deploy and Configure Scale Sets-Configure Azure Disk Encryption Module 2: Automate Deployment and Configuration of Resources -Azure Resource Manager Templates-Save a Template for a VM-Evaluate Location of New Resources-Configure a Virtual Hard Disk Template-Deploy from a Template-Create and Execute an Automation Runbook Module 3: Implement Virtual Networking -Virtual Network Peering-Implement VNet Peering Module 4: Implement Load Balancing and Network Security -Implement Azure Load Balancer-Implement an Application Gateway-Understand Web Application Firewall-Implement Azure Firewall-Implement Azure Front Door-Implementing Azure Traffice Manager-Implement Network Security Groups and Application Security Grou-Implement Azure Bastion Module 5: Implement Storage Accounts -Storage Accounts-Blob Storage-Storage Security-Managing Storage-Accessing Blobs and Queues using AAD-Configure Azure Storage Firewalls and Virtual Networks Module 6: Implement Azure Active Directory -Overview of Azure Active Directory-Users and Groups-Domains and Custom Domains-Azure AD Identity Protection-Implement Conditional Access-Configure Fraud Alerts for MFA-Implement Bypass Options-Configure Trusted IPs-Configure Guest Users in Azure AD-Manage Multiple Directori Module 7: Implement and Manage Azure Governance -Create Management Groups, Subscriptions, and Resource Groups-Overview of Role-Based Access Control (RBAC)-Role-Based Access Control (RBAC) Roles-Azure AD Access Reviews-Implement and Configure an Azure Policy-Azure Blueprints Module 8: Implement and Manage Hybrid Identities -Install and Configure Azure AD Connect-Configure Password Sync and Password Writeback-Configure Azure AD Connect Health Module 9: Manage Workloads in Azure -Migrate Workloads using Azure Migrate-VMware - Agentless Migration-VMware - Agent-Based Migration-Implement Azure Backup-Azure to Azure Site Recovery-Implement Azure Update Management Module 10: Implement Cloud Infrastructure Monitoring -Azure Infrastructure Security Monitoring-Azure Monitor-Azure Workbooks-Azure Alerts-Log Analytics-Network Watcher-Azure Service Health-Monitor Azure Costs-Azure Application Insights-Unified Monitoring in Azure Module 11: Manage Security for Applications -Azure Key Vault-Azure Managed Identity Module 12: Implement an Application Infrastructure -Create and Configure Azure App Service-Create an App Service Web App for Containers-Create and Configure an App Service Plan-Configure Networking for an App Service-Create and Manage Deployment Slots-Implement Logic Apps-Implement Azure Functions Module 13: Implement Container-Based Applications -Azure Container Instances-Configure Azure Kubernetes Service Module 14: Implement NoSQL Databases -Configure Storage Account Tables-Select Appropriate CosmosDB APIs Module 15: Implement Azure SQL Databases -Configure Azure SQL Database Settings-Implement Azure SQL Database Managed Instances-High-Availability and Azure SQL Database [-]

CEH: Certified Ethical Hacker v13 [-]

Dette kurset tilbys som bedriftsinternt kurs   Maskinlæring handler om sette datamaskiner i stand til å lære fra og utvikle atferd basert på data. Det vil si at en datamaskin kan løse en oppgave den ikke er eksplisitt programmert for å håndtere. I stedet er den i stand til å automatisk lære gjenkjenning av komplekse mønstre i data og gjøre beslutninger basert på dette disse. Maskinlæring gir store muligheter, men mange bedrifter har problemer med å ta teknologien i bruk. Nøyaktig hvilke oppgaver kan maskinlæring utføre, og hvordan kommer man i gang? Dette kurset gir oversikt over mulighetene som ligger i maskinlæring, og hvordan i tillegg til kunnskap om hvordan teknologien kan løse oppgaver og skape resultater i praksis. Hva er maskinlæring, datavitenskap og kunstig intelligens og hvordan det er relatert til statistikk og dataanalyse? Hvordan å utvinne kunnskap fra dataene dine? Hva betyr Big data og hvordan analyseres det? Hvor og hvordan skal du bruke maskinlæring til dine daglige forretningsproblemer? Hvordan bruke datamønstre til å ta avgjørelser og spådommer med eksempler fra den virkelige verden? Hvilke typer forretningsproblemer kan en maskinen lære å håndtere Muligheter som maskinlæring gir din bedrift Hva er de teoretiske aspekter på metoder innen maskinlæring? Hvilke ML-metoder som er relevante for ulike problemstillinger innen dataanalyse? Hvordan evaluere styrker og svakheter mellom disse algoritmene og velge den beste? Anvendt data science og konkrete kunde eksempler i praksis   Målsetning Kurset gir kunnskap om hvordan maskinlæring kan løse et bestemt problem og hvilke metoder som egner seg i en gitt situasjon. Du blir i stand til å kan skaffe deg innsikt i data, og vil kunne identifisere egenskapene som representerer dem best. Du kjenner de viktigste maskinlæringsalgoritmene og hvilke metoder som evaluerer ytelsen deres best. Dette gir grunnlag for kontinuerlig forbedring av løsninger basert på maskinlæring.   [-]