Mercantec: “Machine Learning med Python”, feb. 2025
Forløbet omhandlede maskinlæring og blev gennemført som et 10-dages valgfag i uge 8-9 2025. Forløbet blev til i et samarbejde med softwareproducenten Visma. 22 elever fra hovedforløbet for datateknikere med specialisering i programmering deltog i denne første iteration.
Python er et alsidigt programmeringssprog, og formålet med forløbet var at afdække nye didaktiske tilgange til, hvordan elever tilegner sig et programmeringssprog gennem praksis, refleksion og anvendelse i realistiske cases.
Undervisningsdesign
Læringsmålene refererer til datatekniker uddannelsens kompetencemål. Forløbet sigtede mod, at eleverne opnår viden og færdigheder til at:
– redegøre for, hvordan en maskine lærer
– anvende maskinlæring til løsning af praktiske opgaver
– indsamle og forberede data til brug i maskinlæring
– redegøre for forskellige maskinlæringsmetoder
– træne og teste egne maskinlæringsmodeller
– anvende klassificering og regression til løsning af praktiske opgaver
– anvende et maskinlærings-framework til at løse konkrete opgaver
– anvende programmeringssproget Python til udvikling af løsninger med maskinlæring
Forudsætning for deltagelse var, at eleverne havde bestået grundforløb 2. For at få det fulde udbytte af valgfaget, var dog stærkt anbefalet at have gennemført og bestået mindst hovedforløb 4.
Indhold
Forløbet introducerer centrale begreber og metoder inden for maskinlæring, herunder databehandling, supervised / unsupervised learning, klassificering og regression.
Undervisningen anvender Python som rammesprog med fokus på praktisk anvendelse, herunder brug af NumPy, Pandas og Scikit-learn.
Elevernes læringsprodukter består af “afsluttende projekter”. Grupper á 2-4 elever udvikler og dokumenterer en komplet maskinlæringsløsning.
Alle grupper har haft eksplicit fokus på samarbejde, kodeforståelse og iterativ udvikling. Alle grupper har arbejdet med versionsstyring i GitHub.
Eksempel: Én af grupperne arbejdede med implementering og sammenligning af beslutningstræ- og neurale netværksmodeller i et fire-på-stribe-spil. Download gruppens aflevering (pdf).
Pædagogiske metoder
Undervisningen veksler mellem oplæg, praktiske øvelser og gruppearbejde. Forløbet er casebaseret og virksomhedsrettet, hvilket giver eleverne mulighed for at anvende deres viden i autentiske sammenhænge. Undervisningen har derudover inddraget peer feedback og refleksion som læringsmetoder.
Forløbet var tilrettelagt med en primær tilgang fra positiv psykologi og fokus på, at frihed og ansvar skaber mere motiverede elever og bedre projekter. Denne tilgang praktiseres i hverdagen ved at give eleverne stor metodefrihed og mulighed for at definere egne succeskriterier inden for de faglige rammer.
Evalueringer
Elevernes læringsprodukter vurderes på dokumentation, refleksion og funktionalitet. Grupperne har præsenteret deres løsninger mundtligt. Underviserens vurdering er foregået på baggrund af både præsentation, kode og rapport.
Derudover har eleverne gennemført en anonym survey, og der er blevet reflekteret over forløbet i fællesskab.
Uddrag indgår i denne beskrivelse.
Eleverne har arbejdet med både decision tree- og neural network-modeller og har dokumenteret deres valg og refleksioner grundigt. Koden er funktionel og optimeret.
De fleste grupper har tydeligt demonstreret forståelse for både algoritmerne og datastrukturerne. Der var stor variation i hvor langt grupperne nåede, men alle grupper arbejdede selvstændigt og fokuseret.
Samarbejdet med Visma skabte ekstra relevans, og der var tydelig motivation for at arbejde med en reel anvendelseskontekst. Vores vurdering er, at især den praksisnære ramme og muligheden for kreativ problemløsning var bærende for engagementet.
Læringsmiljøet støttede elevernes tilegnelse af nye “sprog” – i form af kode, algoritmer og samarbejdsværktøjer – hvilket skabte rum for både mestring og faglig refleksion.
Jeg er meget imponeret over både casene og variationen i elevernes projekter. De spænder fra nummerpladegenkendelse og aktieanalyse til mere teknisk dybdegående løsninger som neurale netværk i C med egen databehandlingslogik. Eleverne har generelt arbejdet med høj grad af selvstændighed og vist evne til at anvende teorien i praksis – både i relation til modellering, performance og dokumentation.
Vi forsøger at ramme elevernes individuelle niveau og progression gennem mindre opgaver, som vi gradvist skruer op i kompleksitet. Undervisningen tager udgangspunkt i deres eksisterende sprogkompetencer, og vi sammenligner ofte det nye sprog (f.eks. Python eller C++) med sprog, de allerede kender, for at skabe tryghed og kontinuitet i læringen. Det er vigtigt for mig, at de ser sig selv som kompetente og i stand til at skabe løsninger – ikke kun følge tutorials.
Programmering som ´fremmedsprog´
På Mercantec tilgår underviserne programmering som undervisning i et fremmedsprog. Eleverne arbejder med syntaks, semantik, kontekst og produktion, som er grundelementer i klassisk sprogtilegnelse.
Eleverne lærer at læse og analysere kode (receptivt sprog), og at udtrykke sig gennem kodning (produktivt sprog).
Refleksion over kodens funktion og struktur understøtter metakommunikation og sproglig bevidsthed.
Undervisningsmateriale
Motivation
Forløbet er foregået med afsæt i elevernes praksismotivation og deres motivationsorientering for mestring.
Eleverne har arbejdet med konkrete, meningsfulde problemer og opnået synlige fremskridt, hvilket har styrket deres oplevelse af kompetence og relevans.
Elever om deres læringsprocesser
Digital produktion
Eleverne anvender iterative designprocesser og arbejder med versionsstyring via GitHub.
Projekterne udvikles i par- og gruppearbejde, hvor eleverne lærer både teknisk samarbejde og fælles kodeforståelse. Det understøtter deres faglige og sproglige udvikling, da de formulerer sig skriftligt og mundtligt om komplekse løsninger.
Valg af teknologier
Eleverne valgte mellem beslutningstræ og neurale netværk som ML-strategier. Valgene blev truffet ud fra teknisk interesse og overvejelser om træningstid, ressourceforbrug og anvendelighed. Eleverne arbejdede refleksivt med valg af arkitektur, datastruktur og evaluering af modelkvalitet.
Maskinlæring på 100 sekunder
Machine Learning is the process of teaching a computer how to perform a task without explicitly programming it. The process feeds algorithms with large amounts of data to gradually improve predictive performance.
Digital dannelse
Forløbet styrkede elevernes evne til at tænke kritisk og etisk omkring databehandling og algoritmer.
Eleverne arbejdede aktivt med datasikkerhed og overvejede konsekvenser ved fejlagtig brug af modeller.
Dermed støttede forløbet udviklingen af computational thinking og teknologisk dømmekraft.
Vi lærte om GDPR og dataetik, og det var overraskende, hvor vigtigt det er at forstå, hvad man må gemme og bruge – især når man arbejder med algoritmer, der lærer af data.
Omverden
Samarbejde med Visma-casene i forløbets undervisning blev til på baggrund af underviserens udstationering hos Visma i januar 2025, hvor han arbejdede som midlertidig medarbejder i en 3-ugers periode. Her udviklede han i samarbejde med Vismas BI-analytiker of Machine Learning specialist et HealthScore-system, der benyttede både Random Forest og XGBoost-modeller samt clustering-teknikker til at evaluere systemers tilstand.
Førstehåndserfaringerne med praktisk anvendelse af Machine Learning i erhvervslivet blev integreret direkte i undervisningen.
Denne erfaring bidrog markant til underviserens opkvalificering og skabte et fagligt afsæt for casene, som eleverne arbejdede med. Samarbejdet tydeliggjorde maskinlæringens rolle i erhvervslivet og gav eleverne indsigt i, hvordan deres kompetencer kan anvendes i praksis.
Samtidig har forløbet understøttet elevernes forståelse af potentielle karriereveje inden for teknologi og dataanalyse.
Samarbejdet med Visma har givet mig konkrete erfaringer, som jeg har kunnet oversætte direkte til undervisningen og caseformidlingen. Det har gjort forløbet mere autentisk og løftet elevernes motivation betragteligt.
Illustration af datatræk, Visma (2025)
Cases fra Visma gjorde det hele mere virkeligt. Vi kunne se, at det vi arbejdede med faktisk har værdi ude i den rigtige verden – det motiverede meget mere end bare et skolebogseksempel.
