Data Analytics (3 cr)

Objectives (course unit)

The student
- is able to handle data sets
- has basic knowledge of mathematics related to data-analysis
- is able to use and apply classical data analysis for solving technical problems
- is familiar with basics and methods of regression, classification and clustering

Content (course unit)

• Classical Data Analysis
• Classification, Decision Trees, Random Forests
• Clustering, K-means
• Regression, Linear Regression, Logistic Regression
• Basics of Neural Network

Assessment criteria, satisfactory (1-2) (course unit)

The student is able to handle data and knows the basics of data analysis and the related key methods. The student is able to calculate simple tasks related to the topics of the course, which are similar to the examples presented.

Assessment criteria, good (3-4) (course unit)

In addition to the above, the student is able to apply the course knowledge in new situations and justify his/her solutions. The student is able to use the concepts and methods related to the subjects of the course correctly. The student performs the given tasks independently.

Assessment criteria, excellent (5) (course unit)

In addition to the above, the student has a comprehensive understanding of the course topics and their use in problem solving, as well as the ability to present and justify his/her solutions logically.

Location and time

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

Exam schedules

Ei loppukoetta

Evaluation methods and criteria

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%

Assessment scale

0-5

Teaching methods

Lähiopetus / etäopetus, yhteisöllinen oppiminen, harjoitustehtävät, harjoitustyöt / selostukset

Learning materials

Moodlessa ilmoitettu ja julkaistava materiaali

Student workload

Oppitunteja n. 30 h
Harjoitustehtävät ja selostukset n. 50 h

Content scheduling

-Matlab perusteet
-Klassinen data-analyysi / tilastotieteen perusteita
-Data-analyysin menetelmiä

Completion alternatives

Neuvoteltava erikseen opettajan kanssa