Opinto-opas

Tavoitteet (OJ)

Opiskelija tuntee data-analyysin perusteet ja keskeisimpiä menetelmiä. Opiskelija osaa datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet sekä osaa tulkita tuloksia ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Sisältö (OJ)

Data-analyysin perusteet ja keskeisimpiä menetelmiä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja menetelmien arviointi.

Arviointikriteerit, tyydyttävä (1-2) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.

Arviointikriteerit, hyvä (3-4) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Arviointikriteerit, kiitettävä (5) (OJ)

Opiskelija osaa käsitellä monipuolisesti dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa tulkita tuloksia sekä tietää menetelmien rajoituksia ja mahdollisuuksia.

Aika ja paikka

Opetus parillisina viikkoina alustavasti:

Lauantai 7.9 klo 9:00 - 16:30 (eka kerta la koska lähiopetus)
Perjantai 20.9 klo 9:00 - 16:00 (hybridi tai etä, toiveiden ja mahdollisuuksien mukaan)
Perjantai 4.10 klo 9:00 - 16:00 (hybridi tai etä, toiveiden ja mahdollisuuksien mukaan)

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Kurssin arvosana määräytyy harjoituksista ja harjoitustyöstä kerättävien suorituspisteiden perusteella. Läpäisyyn ja arvosanaan 1 vaaditaan vähintään 30% pisteistä, maksimiarvosanaan vähintään 90% pisteistä (muut arvosanat lineaarisesti tältä väliltä).

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Kontakti-opetus, etäopetusta teamsissa, oppimistehtävinä opetusviikkojen teemoihin littyviä harjoituksia sekä harjoitustyö.

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon (mm. työkalujen ohjeet ja dokumentaatio).

Sisällön jaksotus

Kolme intensiivistä päivää ja näihin liittyviä harjoituksia, joista osa on tarkoitus tehdä itseopiskeluna.

Lisätietoja opiskelijoille

Opetus parillisina viikkoina, to-pe-la.

Tavoitteet (OJ)

Opiskelija tuntee data-analyysin perusteet ja keskeisimpiä menetelmiä. Opiskelija osaa datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet sekä osaa tulkita tuloksia ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Sisältö (OJ)

Data-analyysin perusteet ja keskeisimpiä menetelmiä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja menetelmien arviointi.

Arviointikriteerit, tyydyttävä (1-2) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.

Arviointikriteerit, hyvä (3-4) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Arviointikriteerit, kiitettävä (5) (OJ)

Opiskelija osaa käsitellä monipuolisesti dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa tulkita tuloksia sekä tietää menetelmien rajoituksia ja mahdollisuuksia.

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Kurssin arvosana määräytyy harjoituksista ja harjoitustyöstä kerättävien suorituspisteiden perusteella. Läpäisyyn ja arvosanaan 1 vaaditaan vähintään 30% pisteistä, maksimiarvosanaan vähintään 90% pisteistä (muut arvosanat lineaarisesti tältä väliltä).

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Etäopetusta teamsissa, oppimistehtävinä opetusviikkojen teemoihin littyviä harjoituksia sekä harjoitustyö. Aikataulut, ohjeistus, aineistot ja tehtävien palautus Moodlessa.
opetus alustavasti:
9.9. klo 8.30 - 16
22.9. klo 8.30 - 16
5.10. klo 8.30 - 16
(Kaikki päivät etäopetuksena Teamsissa)

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon (mm. työkalujen ohjeet ja dokumentaatio).

Sisällön jaksotus

Kolme intensiivistä lähipäivää ja näihin liittyviä harjoituksia, joista osa on tarkoitus tehdä itseopiskeluna.

Arviointikriteerit - hylätty (0) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Vaadittavia suorituksia ei ole palautettu tai ne eivät vastaa ilmoitettuja arviointikriteerejä.

Arviointikriteerit - tyydyttävä (1-2) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.

Arviointikriteerit - hyvä (3-4) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.

Arviointikriteerit - kiitettävä (5) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.

Tavoitteet (OJ)

Opiskelija tuntee data-analyysin perusteet ja keskeisimpiä menetelmiä. Opiskelija osaa datan käsittelyn, analysoinnin ja visualisoinnin. Opiskelija tietää tekoälyn perusteet, tärkeimmät käsitteet sekä osaa tulkita tuloksia ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Sisältö (OJ)

Data-analyysin perusteet ja keskeisimpiä menetelmiä. Datan käsittely, analysointi ja visualisointi. Tekoälyn perusteet, tärkeimmät käsitteet ja menetelmien arviointi.

Arviointikriteerit, tyydyttävä (1-2) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet ja tärkeimmät käsitteet.

Arviointikriteerit, hyvä (3-4) (OJ)

Opiskelija osaa käsitellä dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee tekoälyn perusteet, tärkeimmät käsitteet ja tietää menetelmien rajoituksia ja mahdollisuuksia.

Arviointikriteerit, kiitettävä (5) (OJ)

Opiskelija osaa käsitellä monipuolisesti dataa, analysoida ja tehdä visualisointeja. Opiskelija tuntee hyvin tekoälyn perusteet, tärkeimmät käsitteet ja osaa tulkita tuloksia sekä tietää menetelmien rajoituksia ja mahdollisuuksia.

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Kurssin arvosana määräytyy harjoituksista ja harjoitustyöstä kerättävien suorituspisteiden perusteella. Läpäisyyn ja arvosanaan 1 vaaditaan vähintään 30% pisteistä, maksimiarvosanaan vähintään 90% pisteistä (muut arvosanat lineaarisesti tältä väliltä).

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Etäopetusta teamsissa, oppimistehtävinä opetusviikkojen teemoihin littyviä harjoituksia sekä harjoitustyö. Aikataulut, ohjeistus, aineistot ja tehtävien palautus Moodlessa.

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon (mm. työkalujen ohjeet ja dokumentaatio).

Sisällön jaksotus

Kolme intensiivistä lähipäivää ja näihin liittyviä harjoituksia, joista osa on tarkoitus tehdä itseopiskeluna.

Lisätietoja opiskelijoille

Opetuspäivät la 10.9., la 24.9. ja to 6.10. (kaikki etäopetuksena).

Arviointikriteerit - hylätty (0) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Vaadittavia suorituksia ei ole palautettu tai ne eivät vastaa ilmoitettuja arviointikriteerejä.

Arviointikriteerit - tyydyttävä (1-2) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.

Arviointikriteerit - hyvä (3-4) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.

Arviointikriteerit - kiitettävä (5) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Ks. opintojaksotason tiedot.