Opinto-opas

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