Kvote 2 på machine learning og datavidenskab

NÃ¥r du søger om optagelse i kvote 2, skal du deltage i en kvote 2-prøve. Og hvis dit resultat fra prøven er blandt de bedste til uddannelsen, skal du ligeledes deltage i et interview. 

Kvote 2-kriterier på machine learning og datavidenskab

Vi vurderer dine prøveresultater og interviewbesvarelser ud fra 6 kriterier:

På machine learning og datavidenskab vurderer vi dine faglige færdigheder på baggrund af dine resultater af kvote 2-prøven og dine interviewbesvarelser.

Faglige færdigheder vi især vægter på uddannelsen:

  • Logisk ræsonnement

     
  • Systematisk problemløsning

     
  • Matematisk argumentation og opgaveløsning

     
  • Sproglige færdigheder i dansk og engelsk – især god sprogforstÃ¥else og læsefærdigheder.

Vi vurderer din formidlingsevne på baggrund af din interviewbesvarelse.

Du skal kunne formidle og argumentere præcist og nuanceret med kun få fejl.

Vi vurderer dit kendskab til uddannelsens form og indhold pÃ¥ baggrund af dine interviewbesvarelser.

Vi kan fx se på:

  • dit kendskab til uddannelsens fag, indhold, opbygning, undervisnings- og arbejdsformer

     
  • hvordan du forholder dig til uddannelsens bredde inden for fagomrÃ¥det

     
  • dine overvejelser og kendskab til jobmuligheder efter endt uddannelse

     
  • dine forventninger til uddannelsen og til dig selv (ved du hvad uddannelsen kræver af dig?)

Vi vurderer din faglige motivation på baggrund af dine interviewbesvarelser.

Din faglige motivation kommer fx til udtryk gennem din viden om uddannelsen og din interesse for fagområdet.

Vi kan fx se på:

  • Hvordan din interesse for uddannelsens fagomrÃ¥de kommer til udtryk

     
  • Hvordan du beskriver elementer ved uddannelsen, der har gjort indtryk pÃ¥ dig

     
  • Hvorfor du vil studere pÃ¥ universitetet, og om du ved, hvad det kræver af dig

     
  • Dine overvejelser om karriere under og efter endt uddannelse

Vi vurderer dit studiepotentiale ved at se på dine resultater fra kvote 2-prøven og dine interviewbesvarelser. Dvs. om du har de kompetencer, det kræver for at gennemføre en universitetsuddannelse.

Vi kan fx se på:

  • Om du er mÃ¥lrettet i din tilgang til opgaveløsning, sÃ¥vel som det at fuldføre uddannelsen

     
  • Dine forventninger til dig selv som studerende

     
  • Hvordan du forestiller dig, at dine erfaringer kan bruges pÃ¥ din kommende uddannelse ud fra dit kendskab til uddannelsens indhold

     
  • Hvordan du klarede dig i kvote 2-prøven, og hvordan du lever op til de øvrige kriterier

     
  • Hvis du har studeret før: Hvordan vil du sikre, at du fuldfører denne uddannelse? Hvad er anderledes denne gang?

Dine karakterer fra din adgangsgivende eksamen indgår i kvote 2-vurderingen, enten gennemsnittet, eller karakterer i specifikke fag (adgangskravene) eller begge dele.

SÃ¥dan vurderede vi kvote 2 i 2025

Hvis du fik afslag pÃ¥ din ansøgning i kvote 2 i Ã¥r, kan du se her, hvordan vi vurderede Ã¥rets ansøgninger til machine Learning og datavidenskab pÃ¥ Københavns Universitet.

PÃ¥ machine Learning og datavidenskab modtog vi 122 ansøgninger til 8 kvote 2-pladser. 49 gik videre til interview.

Hvis du blev inviteret til interview, var din score fra kvote 2-prøven 25 eller højere.

Læs mere om resultaterne af dette års kvote 2-prøve.

Det faglige optagelsesudvalg pÃ¥ uddannelsen lavede en helhedsvurdering ud fra de seks kvote 2-kriterier. 

Dit interview, dine karakterer fra din adgangsgivende eksamen og eventuelt supplering og din kvote 2-prøves resultater var med i vurderingen.

SÃ¥dan vurderede vi dit interview

Kriterierne studiepotentiale, faglige færdigheder, faglig motivation og kendskab til uddannelsen indgik i vurderingen. 

SpørgsmÃ¥l 1 undersøgte kriterierne studiepotentiale, kendskab til uddannelsen og faglige færdigheder. De bedste svar udmærkede sig ved:

  • at ansøgerne nuanceret relaterede sine tidligere erfaringer, færdigheder og kompetencer til uddannelsens indhold og havde et realistisk syn pÃ¥ sit studiepotentiale.
  • at ansøgeren koblede færdighederne og kompetencerne til aktiviteter pÃ¥ uddannelsen.

SpørgsmÃ¥l 2 undersøgte kriterierne faglig motivation og kendskab til uddannelsen. De bedste svar udmærkede sig ved:

  • at ansøgeren identificerede ligheder og forskelle mellem maskinlæring og datalogi og sammenlignede med mindst en lignende uddannelse.
  • at ansøgeren relaterede valget af uddannelse til egne fremtidsdrømme.

SpørgsmÃ¥l 3 undersøgte kriterieriet faglige færdigheder. De bedste svar udmærkede sig ved:

  • at ansøgeren forenklede brøkerne i udtrykket og kom frem til en korrekt løsning.
  • at ansøgeren løste det kvadratiske udtryk og præsenterede begge mulige løsninger.
  • at ansøgeren argumenterede for en løsningsmetode til at finde en minimal værdi og foreslog en værdi for x i overensstemmelse med løsningsmetoden.

Inden for kriteriet formidlingsevne

De bedste svar udmærkede sig ved, at de var præcise, kortfattede og underbygget med konkrete færdigheder, kompetencer og læringsaktiviteter i uddannelsen. 

Karaktererne for den adgangsgivende eksamen

Gennemsnittet fra den gymnasiale eksamen og karakteren i faget Matematik A indgik i vurderingen.

Kvote 2-prøvens resultater

Resultatet fra den matematiske/logiske del i kvote 2-prøven indgik i vurderingen. Det vil sige matematik, grafer og tabeller samt logik og mønstergenkendelse.