Basics of Data Analysis and Machine Learning (5cr)

Objectives (course unit)

The student can
• The student knows the basics of data analysis and the most important methods in Python programming language.
• The student is able to process, analyze and visualize data.
• The student knows the basics of artificial intelligence, the most important concepts and knows different applications.

Content (course unit)

Basics of Data Analysis and Basic Methods in Python Programming Language. Data processing, analysis and visualization. Fundamentals of artificial intelligence, key concepts and applications.

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

The student is able to process data, analyze and make visualizations. The student knows the basics and the most important concepts of artificial intelligence.

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

he student is able to process data, analyze and make visualizations.
The student knows the basics of artificial intelligence, the most important concepts and is able to create examples based on examples.

Assessment criteria, excellent (5) (course unit)

The student is able to process data, analyze and make visualizations in many ways. The student knows well the basics of artificial intelligence, the most important concepts and is able to create artificial intelligence applications.

Location and time

Aloitus etäopetuksena 13.1.2023 klo 08.15. Pääosin edetään jatkossakin etäopetuksena, mutta joitakin lähikertoja tullaan järjestämään A1-24:ssä ml. viimeinen kerta 12.5.2023. Tarkemmat, ajantasaiset tiedot Moodlesta.

Exam schedules

Lähtökohtaisesti ei tenttejä. Arviointi perustuu opintojakson aikana suoritettuihin aktiviteetteihin (erityisesti harjoituksiin/harjoitustöihin, mahd. myös esityksiin tai pieniin testeihin).

Assessment methods and criteria

Arviointi perustuu opintojakson aikana kerättyihin pisteisiin, joita voi saada harjoituksista, esityksistä ja muista vastaavista kurssiaktiviteeteista. Alustavasti arvosanat määräytyvät opintojakson aikana kertyneiden pisteiden osuudesta saavutettavissa olevaan kokonaispistemäärään nähden seuraavasti: [0%–50%[ -> 0, [50%–60%[ -> 1, [60%–70%[ -> 2, [70%–80%[ -> 3, [80%–90%[ -> 4, [90%–100%[ -> 5. Joitakin aktiviteetteja koskien saatetaan hyödyntää ja mahdollisesti vaatia vertais- tai itsearviointia.

Assessment scale

0-5

Teaching methods

Luennot, harjoitukset, esitykset, etäopetus, ongelmaperustainen oppiminen

Learning materials

Esitellään opintojakson alussa.

Student workload

Opiskelijan suunniteltu työkuorma keskimäärin n. 135 h, jakautuu tasaisesti kolmannelle ja neljännelle periodille.

Content scheduling

–

Completion alternatives

–

Practical training and working life cooperation

Ei merkittävässä roolissa, mutta tutkitaan mahdollisuutta saada vierailuluennoitsija.

International connections

–

Further information

–

Assessment criteria - fail (0) (Not in use, Look at the Assessment criteria above)

Riittämätön määrä kurssiaktiviteeteista kerättyjä pisteitä. Osallistumista vertais- tai itsearviointiprosessiin saatetaan vaatia edellytyksenä opintojakson läpäisemiselle.

Assessment criteria - satisfactory (1-2) (Not in use, Look at the Assessment criteria above)

Perustuen kurssiaktiviteeteista kerättyyn pistemäärään.

Assessment criteria - good (3-4) (Not in use, Look at the Assessment criteria above)

Perustuen kurssiaktiviteeteista kerättyyn pistemäärään.

Assessment criteria - excellent (5) (Not in use, Look at the Assessment criteria above)

Perustuen kurssiaktiviteeteista kerättyyn pistemäärään.