Data-analysis, Data Visualization and Artificial Intelligence (5 cr)
Code: NY00EK76-3001
General information
- Enrolment period
- 15.05.2019 - 01.10.2019
- Registration for the implementation has ended.
- Timing
- 07.09.2019 - 05.10.2019
- Implementation has ended.
- Credits
- 5 cr
- Local portion
- 2 cr
- Virtual portion
- 3 cr
- RDI portion
- 3 cr
- Mode of delivery
- Blended learning
- Unit
- Educations
- Campus
- TAMK Main Campus
- Teaching languages
- Finnish
- Seats
- 20 - 40
- Degree programmes
- Master's Degree Programme in Social Services
Objectives (course unit)
The student knows the basics of data analysis and the most important methods. The student knows how to process, analyze and visualize data. The student knows the basics of artificial intelligence, the most important concepts and is able to interpret the results and know the limitations and possibilities of the methods.
Content (course unit)
The basics of data analysis and the main methods. Processing, analyzing and visualizing data. Basics of Artificial Intelligence, key concepts and methodology evaluation.
Assessment criteria, satisfactory (1-2) (course unit)
The student is able to process data, analyze and make visualizations. The student knows the basics of artificial intelligence and the most important concepts.
Assessment criteria, good (3-4) (course unit)
The student is able to process data, analyze and make visualizations. The student knows the basics of artificial intelligence, the most important concepts and knows the limitations and possibilities of methods.
Assessment criteria, excellent (5) (course unit)
The student is able to handle data in a versatile way, analyze and visualize. Students are familiar with the basics of artificial intelligence, the most important concepts and are able to interpret the results and know the limitations and possibilities of the methods.
Exam schedules
Matti: ei tenttiä, oppimispäiväkirja tehtävineen
Pekka: harjoitukset ja oppimistehtävä
Evaluation methods and criteria
Matti: oppimispäiväkirja ja siihen liittyvät tehtävät.
Pekka: harjoiutkset 40 % ja oppimistehtävä 60 %
Lopuksi lasketaan Matin ja Pekan osuuksien arviointi yhteen.
Assessment scale
0-5
Teaching methods
Matti: Lähiopetus, oppimispäiväkirja.
Pekka: lähiopetusta, harjoituksia ja oppimistehtävä
Learning materials
Matti: luennolla jaettavat kalvot
Pekka: materiaali tabulassa
Practical training and working life cooperation
Matti: mahdollisen oman datan hyödyntäminen
Further information
Matin tunneilla ei läsnäolopakkoa, mutta asiat täytyy tällöin selvittää itsenäisesti.
Pekka: läsnäolo toivottavaa, koska tehdään tehtäviä Tableaulla.
Assessment criteria - fail (0) (Not in use, Look at the Assessment criteria above)
Matti: Ei ole tehty oppimispäiväkirjaa tai tehtäviä
Pekka: ei palautettu tehtäviä tai oppimistehtävää
Assessment criteria - satisfactory (1-2) (Not in use, Look at the Assessment criteria above)
Oppimispäiväkirja ja tehtävät tehty tyydyttävästi.
Pekka: Harjoituksesta tehty 30 % ja oppimistehtävä palautettu ykköstason vaatimuksin (tabulassa tarkempi kuvaus)
Assessment criteria - good (3-4) (Not in use, Look at the Assessment criteria above)
Oppimispäiväkirja ja tehtävät hyvin
Pekka: Harjoituksesta tehty 60 % ja oppimistehtävä palautettu kakkostason vaatimuksin (tabulassa tarkempi kuvaus)
Assessment criteria - excellent (5) (Not in use, Look at the Assessment criteria above)
Oppimispäiväkirja ja tehtävät tehty kiitettävästi
Pekka: Harjoituksesta tehty 90 % ja oppimistehtävä palautettu kolmostason vaatimuksin (tabulassa tarkempi kuvaus)