Data-analytiikkaLaajuus (3 op)
Tunnus: 5N00EI59
Laajuus
3 op
Osaamistavoitteet
Opiskelija
- osaa käsitellä dataa
- osaa perusteita data-analyysistä ja siihen liittyvistä menetelmistä
- osaa käyttää ja soveltaa data-analyysiä teknisten ongelmien ratkaisussa
- tuntee perusteita ja menetelmiä regressiosta, luokittelusta ja klusteroinnista
Sisältö
- Klassinen data-analyysi / tilastotieteen menetelmiä
- Luokittelu, päättelypuut, satunnaismetsä
- Klusterointi, K-means
- Regressio, lineaarinen regressio, logistinen regressio
- Neuroverkkojen perusteita
Arviointikriteerit, tyydyttävä (1-2)
Opiskelija osaa käsitellä dataa ja tuntee perusteet data-analyysistä ja siihen liittyvistä keskeisistä menetelmistä. Opiskelija osaa laskea opintojakson aihepiireihin liittyviä yksinkertaisia tehtäviä, jotka ovat käsiteltyjen/esitettyjen esimerkkien kaltaisia.
Arviointikriteerit, hyvä (3-4)
Edellisten lisäksi opiskelija osaa soveltaa opintojakson asioita uudenlaisissa tilanteissa ja perustella ratkaisujaan. Opiskelija osaa käyttää opintojakson aihepiireihin liittyviä käsitteitä ja menetelmiä oikein. Opiskelija suoriutuu annetuista tehtävistä itsenäisesti.
Arviointikriteerit, kiitettävä (5)
Edellisen lisäksi opiskelijalla on kokonaisvaltainen käsitys opintojakson asioista ja niiden käytöstä ongelmien ratkaisussa sekä taito esittää ja perustella loogisesti valitsemansa ratkaisut.
Ilmoittautumisaika
30.07.2022 - 07.09.2022
Ajoitus
12.09.2022 - 23.12.2022
Laajuus
3 op
Toteutustapa
Lähiopetus
Toimipiste
TAMK Pääkampus
Opetuskielet
- Suomi
Koulutus
- Tieto- ja viestintätekniikan tutkinto-ohjelma, vuosina 2014-2018 aloittaneet
Opettaja
- Iina Nieminen
- Miika Huikkola
Vastuuhenkilö
Miika Huikkola
Ryhmät
-
21TIETOATietotekniikka
Tavoitteet (OJ)
Opiskelija
- osaa käsitellä dataa
- osaa perusteita data-analyysistä ja siihen liittyvistä menetelmistä
- osaa käyttää ja soveltaa data-analyysiä teknisten ongelmien ratkaisussa
- tuntee perusteita ja menetelmiä regressiosta, luokittelusta ja klusteroinnista
Sisältö (OJ)
- Klassinen data-analyysi / tilastotieteen menetelmiä
- Luokittelu, päättelypuut, satunnaismetsä
- Klusterointi, K-means
- Regressio, lineaarinen regressio, logistinen regressio
- Neuroverkkojen perusteita
Arviointikriteerit, tyydyttävä (1-2) (OJ)
Opiskelija osaa käsitellä dataa ja tuntee perusteet data-analyysistä ja siihen liittyvistä keskeisistä menetelmistä. Opiskelija osaa laskea opintojakson aihepiireihin liittyviä yksinkertaisia tehtäviä, jotka ovat käsiteltyjen/esitettyjen esimerkkien kaltaisia.
Arviointikriteerit, hyvä (3-4) (OJ)
Edellisten lisäksi opiskelija osaa soveltaa opintojakson asioita uudenlaisissa tilanteissa ja perustella ratkaisujaan. Opiskelija osaa käyttää opintojakson aihepiireihin liittyviä käsitteitä ja menetelmiä oikein. Opiskelija suoriutuu annetuista tehtävistä itsenäisesti.
Arviointikriteerit, kiitettävä (5) (OJ)
Edellisen lisäksi opiskelijalla on kokonaisvaltainen käsitys opintojakson asioista ja niiden käytöstä ongelmien ratkaisussa sekä taito esittää ja perustella loogisesti valitsemansa ratkaisut.
Aika ja paikka
Opetus ajoittuu viikoille 38-47. Opettajan ja opiskelijoiden välisellä yhteisellä sopimuksella viikkoa 48 voidaan vielä käyttää pieneen määrään (max 3 h) opetusta tai ohjausta, jos jokin ennakoimaton tarve niin vaatii.
Teoriatunnit etänä maanantaisin klo 10-12
Harjoitustunnit tiistaisin klo 12-14 huoneessa B4-27
Tenttien ja uusintatenttien ajankohdat
Ei loppukoetta
Arviointimenetelmät ja arvioinnin perusteet
Opintojakson suorittaminen perustuu seuraaviin osa-alueisiin. Suluissa osa-alueen painotus arvosanaan
Aktiivinen osallistuminen opetukseen (20%)
Harjoitustehtävät (40%)
Selostukset (40%)
Opiskelijan opetukseen osallistumisen aktiivisuus sekä ryhmän tukeminen vaikuttaa myös harjoitustehtävistä saataviin pisteisiin.
Arvosanat määräytyvät suhteessa maksimipistemäärään seuraavasti
1: >30%
2: >44%
3: >58%
4: >72%
5: >86%
Arviointiasteikko
0-5
Opiskelumuodot ja opetusmenetelmät
Lähiopetus / etäopetus, yhteisöllinen oppiminen, harjoitustehtävät, harjoitustyöt / selostukset
Oppimateriaalit
Moodlessa ilmoitettu ja julkaistava materiaali
Opiskelijan ajankäyttö ja kuormitus
Oppitunteja n. 30 h
Harjoitustehtävät ja selostukset n. 50 h
Sisällön jaksotus
-Matlab perusteet
-Klassinen data-analyysi / tilastotieteen perusteita
-Data-analyysin menetelmiä
Toteutuksen valinnaiset suoritustavat
Neuvoteltava erikseen opettajan kanssa
Ilmoittautumisaika
30.07.2022 - 07.09.2022
Ajoitus
12.09.2022 - 23.12.2022
Laajuus
3 op
Toteutustapa
Lähiopetus
Toimipiste
TAMK Pääkampus
Opetuskielet
- Suomi
Koulutus
- Tieto- ja viestintätekniikan tutkinto-ohjelma, vuosina 2014-2018 aloittaneet
Opettaja
- Iina Nieminen
- Miika Huikkola
Vastuuhenkilö
Miika Huikkola
Ryhmät
-
21TIETOBTietotekniikka
Tavoitteet (OJ)
Opiskelija
- osaa käsitellä dataa
- osaa perusteita data-analyysistä ja siihen liittyvistä menetelmistä
- osaa käyttää ja soveltaa data-analyysiä teknisten ongelmien ratkaisussa
- tuntee perusteita ja menetelmiä regressiosta, luokittelusta ja klusteroinnista
Sisältö (OJ)
- Klassinen data-analyysi / tilastotieteen menetelmiä
- Luokittelu, päättelypuut, satunnaismetsä
- Klusterointi, K-means
- Regressio, lineaarinen regressio, logistinen regressio
- Neuroverkkojen perusteita
Arviointikriteerit, tyydyttävä (1-2) (OJ)
Opiskelija osaa käsitellä dataa ja tuntee perusteet data-analyysistä ja siihen liittyvistä keskeisistä menetelmistä. Opiskelija osaa laskea opintojakson aihepiireihin liittyviä yksinkertaisia tehtäviä, jotka ovat käsiteltyjen/esitettyjen esimerkkien kaltaisia.
Arviointikriteerit, hyvä (3-4) (OJ)
Edellisten lisäksi opiskelija osaa soveltaa opintojakson asioita uudenlaisissa tilanteissa ja perustella ratkaisujaan. Opiskelija osaa käyttää opintojakson aihepiireihin liittyviä käsitteitä ja menetelmiä oikein. Opiskelija suoriutuu annetuista tehtävistä itsenäisesti.
Arviointikriteerit, kiitettävä (5) (OJ)
Edellisen lisäksi opiskelijalla on kokonaisvaltainen käsitys opintojakson asioista ja niiden käytöstä ongelmien ratkaisussa sekä taito esittää ja perustella loogisesti valitsemansa ratkaisut.
Aika ja paikka
Opetus ajoittuu viikoille 38-47. Opettajan ja opiskelijoiden välisellä yhteisellä sopimuksella viikkoa 48 voidaan vielä käyttää pieneen määrään (max 3 h) opetusta tai ohjausta, jos jokin ennakoimaton tarve niin vaatii.
Teoriatunnit etänä maanantaisin klo 10-12
Harjoitustunnit tiistaisin klo 9-11 huoneessa B2-37
Tenttien ja uusintatenttien ajankohdat
Ei loppukoetta
Arviointimenetelmät ja arvioinnin perusteet
Opintojakson suorittaminen perustuu seuraaviin osa-alueisiin. Suluissa osa-alueen painotus arvosanaan
Aktiivinen osallistuminen opetukseen (20%)
Harjoitustehtävät (40%)
Selostukset (40%)
Opiskelijan opetukseen osallistumisen aktiivisuus sekä ryhmän tukeminen vaikuttaa myös harjoitustehtävistä saataviin pisteisiin.
Arvosanat määräytyvät suhteessa maksimipistemäärään seuraavasti
1: >30%
2: >44%
3: >58%
4: >72%
5: >86%
Arviointiasteikko
0-5
Opiskelumuodot ja opetusmenetelmät
Lähiopetus / etäopetus, yhteisöllinen oppiminen, harjoitustehtävät, harjoitustyöt / selostukset
Oppimateriaalit
Moodlessa ilmoitettu ja julkaistava materiaali
Opiskelijan ajankäyttö ja kuormitus
Oppitunteja n. 30 h
Harjoitustehtävät ja selostukset n. 50 h
Sisällön jaksotus
-Matlab perusteet
-Klassinen data-analyysi / tilastotieteen perusteita
-Data-analyysin menetelmiä
Toteutuksen valinnaiset suoritustavat
Neuvoteltava erikseen opettajan kanssa