Opinto-opas

Osaamistavoitteet

The student can:

- describe the steps of the data analytics process and understand the role of data analytics in modern business
- combine information sources of different content and different forms into usable data matrices
- use tools in gathering, describing, and visualizing various types of information
- produce and interpret key statistical measures and figures
- construct a simple predictive model using machine learning methods and evaluate its quality

Toteutustapa ja opetusmenetelmät

Kurssilla on verkkoluentoja ja itseopiskelumateriaalia. Opiskelijat tekevät kurssin aiheisiin liittyviä tehtäviä ja verkkokokeen.

Ajoitus ja läsnäolo

12.9.- 17.11.2024. Verkkoluennot to 12.9.2024, pe 20.9.2024, to 26.9.2024, to 3.10.2024, to 17.10.2024. Verkkokoe to 31.10.2024. Lopullinen tehtävän määräaika su 17.11.2024. Läsnäolo ei pakollista mutta suotavaa. Ei korvaavia tehtäviä tai henkilökohtaista ohjausta puuttuvien luentojen osalta.

Oppimateriaali ja suositeltava kirjallisuus

Luento- ja itseopiskelumateriaali. Muut opettajan osoittamat materiaalit.

Toteutuksen valinnaiset suoritustavat

Kurssi suoritetaan vain esitetyn mallin mukaan

Työelämäyhteistyö

Kurssin harjoitustyö on mahdollista suorittaa esim. omalla työpaikalla tai omassa yrityksessä.

Uusintamahdollisuudet

Tentti viimeisten luentojen jälkeen. Kaksi uusintatenttiä erikseen ilmoitettuina ajankohtina. Harjoitustyö on oltava suoritettuna.

Oppimisympäristö

Opiskelu tapahtuu verkossa. Kurssimateriaali, tiedotus, harjoitustöiden palautus ja tentti moodlessa. Luennot nauhoitetaan.

Opiskelijan ajankäyttö ja kuormitus

Kurssi on 5op = 135 tuntia.

Lähiopetus 20 tuntia
Itsenäinen opiskelu 30 tuntia
Harjoitustyö 58 tuntia
Tenttiin valmistautuminen 25 tuntia
Tentti 2 tuntia

Sisältö

Johdanto
Johdatus aiheeseen, työnkuvaukset, prosessinkulku, työkalut
Esivalmistelu
Datan valmistelu ja hankinta, feature selection, datan puhdistus
Kuvaava data-analytiikka
Kuvailevat analytiikkamenetelmät, visualisointitekniikat, jakaumateorian perusteet, hypoteesien testaus
Mallintaminen
Mallintamisen perusteet, ennustaminen ja luokittelu, k-kertainen ristiinvalidointi, mallin hyvyyden estimointi

Arviointimenetelmät

Harjoitustyö hyväksytty/hylätty
Tentti

Arviointiasteikko

1-5

Hylätty (0)

Hylätty arvosana annetaan, kun opiskelija ei ole saavuttanut kurssin oppimistavoitteita. Opiskelija ei ymmärrä data-analytiikan peruskäsitteistöä eikä pysty näyttämään kokeessa ja tehtävissä aiheeseen liittyviä oppimistuloksia.

Arviointikriteerit: taso 1: (arviointiasteikko 1-5)

Opiskelija osaa muotoilla data-analytiikkaongelman konkreettiseksi suunnitelmaksi
Opiskelija osaa hakea dataa ja tehdä järkevän feature selection -toimen
Opiskelija osaa tuottaa data-analytiikkaongelmaan liittyviä visualisointeja

Arviointikriteerit: taso 3 (arviointiasteikko 1-5)

Lisäksi:
Opiskelija osaa muotoilla data-analytiikkaongelman konkreettiseksi suunnitelmaksi ja toteuttaa sen
Opiskelija osaa hakea dataa ja suorittaa järkevän feature selection -toimen sekä suorittaa onnistuneen tiedon puhdistamisen ja yhdistämisen
Opiskelija osaa tuottaa data-analytiikkaongelmaan liittyviä visualisointeja ja höystää niitä yksinkertaisella testauksella
Opiskelija osaa tuottaa perusmallinnoksen datalle

Arviointikriteerit: taso 5 (arviointiasteikko 1-5)

Lisäksi:
Opiskelija osaa muotoilla data-analytiikkaongelman konkreettiseksi suunnitelmaksi ja toteuttaa sen
Opiskelija osaa hakea dataa ja suorittaa järkevän feature selection -toimen sekä suorittaa onnistuneen tiedon puhdistamisen ja yhdistämisen
Opiskelija osaa tuottaa data-analytiikkaongelmaan liittyviä visualisointeja ja höystää niitä yksinkertaisella testauksella
Opiskelija osaa tuottaa mallinnoksen datalle sekä testata sitä ja arvioida sen hyvyyttä