Data-analyysi ja tekoälyn perusteetLaajuus (8 op)
Tunnus: 5G00FY12
Laajuus
8 op
Osaamistavoitteet
Opiskelija tuntee data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Opiskelija osaa teknisesti ja tilastollisesti datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet ja tuntee erilaisia sovelluksia.
Sisältö
Data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja erilaisia sovelluksia. (5 op)
Datan analysoinnin ja visualisoinnin perusteet (3 op): Käsitteet: perusjoukko, otos, otanta. Tilastolliset tunnusluvut: Keskiarvo, keskihajonta, mediaani, moodi, luottamusvälit. P-arvo ja testit (yksi muuttuja, riippuvuus, korrelaatio, khii^2, kahden riippumattoman/riippuvan otoksen t-testi). Datan visualisointi. Lineaarinen regressio, suoran sovittaminen pistejoukkoon, korrelaatiokerroin ja sen neliö/selitysaste. Työvälineenä Excel/Matlab tms.
Arviointikriteerit, tyydyttävä (1-2)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.
Arviointikriteerit, hyvä (3-4)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda esimerkkien pohjalta tekoälysovelluksia.
Arviointikriteerit, kiitettävä (5)
Opiskelija osaa monipuolisesti teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda tekoälysovelluksia.
Ilmoittautumisaika
22.11.2023 - 14.01.2024
Ajoitus
01.01.2024 - 05.05.2024
Laajuus
8 op
Toteutustapa
Lähiopetus
Yksikkö
Tietotekniikka
Toimipiste
TAMK Pääkampus
Opetuskielet
- Suomi
Koulutus
- Tietotekniikan tutkinto-ohjelma
Opettaja
- Miika Huikkola
- Pekka Pöyry
Vastuuhenkilö
Pekka Pöyry
Ryhmät
-
22I224Ohjelmistotekniikka
Tavoitteet (OJ)
Opiskelija tuntee data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Opiskelija osaa teknisesti ja tilastollisesti datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet ja tuntee erilaisia sovelluksia.
Sisältö (OJ)
Data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja erilaisia sovelluksia. (5 op)
Datan analysoinnin ja visualisoinnin perusteet (3 op): Käsitteet: perusjoukko, otos, otanta. Tilastolliset tunnusluvut: Keskiarvo, keskihajonta, mediaani, moodi, luottamusvälit. P-arvo ja testit (yksi muuttuja, riippuvuus, korrelaatio, khii^2, kahden riippumattoman/riippuvan otoksen t-testi). Datan visualisointi. Lineaarinen regressio, suoran sovittaminen pistejoukkoon, korrelaatiokerroin ja sen neliö/selitysaste. Työvälineenä Excel/Matlab tms.
Arviointikriteerit, tyydyttävä (1-2) (OJ)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.
Arviointikriteerit, hyvä (3-4) (OJ)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda esimerkkien pohjalta tekoälysovelluksia.
Arviointikriteerit, kiitettävä (5) (OJ)
Opiskelija osaa monipuolisesti teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda tekoälysovelluksia.
Arviointimenetelmät ja arvioinnin perusteet
Kurssin arvosana koostuu kahdesta osasta: ML&AI ja tilastomatematiikka. Opiskelija saa molemmista osista arvosanan 0-5 ja lopullinen arvosana lasketaan siten, että ML&AI osuuden paino on 5/8 ja matematiikan 3/8.
ML&AI osuuden arvosanan muodostuminen:
Arvosana koostuu viikkoharjoituksista ja kahdesta oppimistehtävästä. Toinen oppimistehtävä on data-analyysiin liittyvä ja toinen koneoppimiseen / tekoälyyn.
Viikkotehtävistä voi saada 0-1 pisteen ja oppimistehtävistä kustakin 0-2. Pisteet lasketaan yhteen ja summasta muodostuu arvosana.
Viikkotehtäviä tulee tehdä min. 80 %, jotta yhden pisteen voi saada.
Tilastomatematiikan osuuden arvosanan muodostuminen:
Arvosana koostuu tuntityöskentelystä, kotitehtävistä ja kokeesta
Tuntityöskentelystä on jaossa yhteensä max. 14 pistettä
Kotitehtävistä on jaossa myös max. 14 pistettä
Kokeesta on jaossa max. 22 pistettä.
Tilastomatematiikan osuuden arvosanarajat yhteenlasketuista kokonaispisteistä ovat seuraavat:
1: 35%
2: 50%
3: 65%
4: 80%
5: 90%
Arviointiasteikko
0-5
Ilmoittautumisaika
22.11.2023 - 14.01.2024
Ajoitus
01.01.2024 - 05.05.2024
Laajuus
8 op
Toteutustapa
Lähiopetus
Yksikkö
Tietotekniikka
Toimipiste
TAMK Pääkampus
Opetuskielet
- Suomi
Koulutus
- Tietotekniikan tutkinto-ohjelma
Opettaja
- Miika Huikkola
- Pekka Pöyry
Vastuuhenkilö
Pekka Pöyry
Ryhmät
-
22I226Sulautetut järjestelmät ja elektroniikka
-
22I227Tietoliikennetekniikka ja tietoverkot
Tavoitteet (OJ)
Opiskelija tuntee data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Opiskelija osaa teknisesti ja tilastollisesti datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet ja tuntee erilaisia sovelluksia.
Sisältö (OJ)
Data-analyysin perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja erilaisia sovelluksia. (5 op)
Datan analysoinnin ja visualisoinnin perusteet (3 op): Käsitteet: perusjoukko, otos, otanta. Tilastolliset tunnusluvut: Keskiarvo, keskihajonta, mediaani, moodi, luottamusvälit. P-arvo ja testit (yksi muuttuja, riippuvuus, korrelaatio, khii^2, kahden riippumattoman/riippuvan otoksen t-testi). Datan visualisointi. Lineaarinen regressio, suoran sovittaminen pistejoukkoon, korrelaatiokerroin ja sen neliö/selitysaste. Työvälineenä Excel/Matlab tms.
Arviointikriteerit, tyydyttävä (1-2) (OJ)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.
Arviointikriteerit, hyvä (3-4) (OJ)
Opiskelija osaa teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda esimerkkien pohjalta tekoälysovelluksia.
Arviointikriteerit, kiitettävä (5) (OJ)
Opiskelija osaa monipuolisesti teknisesti ja tilastollisesti käsitellä dataa, analysoida sitä ja tehdä siitä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa luoda tekoälysovelluksia.
Arviointimenetelmät ja arvioinnin perusteet
Kurssin arvosana koostuu kahdesta osasta: ML&AI ja tilastomatematiikka. Opiskelija saa molemmista osista arvosanan 0-5 ja lopullinen arvosana lasketaan siten, että ML&AI osuuden paino on 5/8 ja matematiikan 3/8.
ML&AI osuuden arvosanan muodostuminen:
Arvosana koostuu viikkoharjoituksista ja kahdesta oppimistehtävästä. Toinen oppimistehtävä on data-analyysiin liittyvä ja toinen koneoppimiseen / tekoälyyn.
Viikkotehtävistä voi saada 0-1 pisteen ja oppimistehtävistä kustakin 0-2. Pisteet lasketaan yhteen ja summasta muodostuu arvosana.
Viikkotehtäviä tulee tehdä min. 80 %, jotta yhden pisteen voi saada.
Tilastomatematiikan osuuden arvosanan muodostuminen:
Arvosana koostuu tuntityöskentelystä, kotitehtävistä ja kokeesta
Tuntityöskentelystä on jaossa yhteensä max. 14 pistettä
Kotitehtävistä on jaossa myös max. 14 pistettä
Kokeesta on jaossa max. 22 pistettä.
Tilastomatematiikan osuuden arvosanarajat yhteenlasketuista kokonaispisteistä ovat seuraavat:
1: 35%
2: 50%
3: 65%
4: 80%
5: 90%
Arviointiasteikko
0-5