AI and Data Project (15cr)

Objectives (course unit)

The objective of the study module is to provide basic skills in data analysis and readiness for data processing. These skills will be applied in project work.

Upon completion of the study module, the goal is for the student to:

• Understand the fundamentals of artificial intelligence and acquire strong capabilities in data processing: including knowledge of machine learning models and the types of end products used to answer questions using data.
• Apply these skills in software development: by defining software features, designing software implementation, and executing software development.
• Plan a project, monitor its progress, manage changes, evaluate the project, and track working hours.
Implement the project systematically with a focus on the objectives.
• Enhance technical expertise in areas critical to the project's success.

Content (course unit)

Preprocessing data using operating system commands and programming languages, data visualization using programming languages, fundamentals of machine learning, algorithms and methods, as well as their application, practical project utilizing agile project management, time tracking, defining, designing, implementing, and presenting the final product.

Prerequisites (course unit)

Introduction to Programming, Fundamentals of Client-Side Programming, Client-Side Development

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

The student understands the basic principles of machine learning and data analysis and can apply them with the assistance of programming languages. The student works in a project team and contributes significantly to the final output of the project.

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

Based on what the student has learned during the course, they can effectively utilize machine learning and data analysis algorithms. The student enhances their own skills within the project team and contributes significantly to the final output of the project.

Assessment criteria, excellent (5) (course unit)

Based on what the student has learned during the course, they can effectively apply machine learning and data analysis algorithms. The student enhances their own skills within the project team and produces an extremely significant contribution to the final output of the project. The student demonstrates a supportive attitude towards the project team in their project activities.

Location and time

Kolmannella periodilla kaikille yhteistä viikoittaista lähiopetusta, neljännellä periodilla painotus on ryhmäkohtaisissa ohjaus- ja asiakastapaamisissa sekä aikaan ja paikkaan sitomattomassa projektityöskentelyssä.

Assessment methods and criteria

30% Harjoitukset
40% Projektityön projektinhallinta, määrittely ja suunnittelu, katselmoinnit, projektin ja tuotteen dokumentaatio ja projektin toteutus (työmäärä, lopputuotteen havainnointi)
30% Vertaisarviointi ja asiakaspalaute

Kaikki osiot on suoritettava hyväksytysti.

Opiskelijan työmäärä n. 400 h

Assessment scale

0-5

Teaching methods

– luennot ja harjoitukset aiheina Linux, Python-ohjelmointi, datan käsittely, AI

– alustuksia ja tehtäviä ohjelmiston määrittelyn ja suunnittelun aiheista

– projektioppiminen projekteissa: toimeksiannon mukaisen ohjelmiston rakentaminen ketterässä ohjelmistoprojektissa, katselmoinnit 1 (–2) viikon välein

Learning materials

Materiaalia saatavilla Moodlessa.

Kirjallisuutta:
Laurence Moroney, AI and Machine Learning for Coders
Emmanuel Ameisen, Building Machine Learning Powered Applications
Martin Fowler, UML Distilled
John Ousterhout, A Philosophy of Software Design
Jeroen Janssens, Data Science at the Command Line (2nd Ed)
(sekä muuta kirjallisuutta aiheiden ja tarpeiden mukaan).

Student workload

15 * 27 tuntia. Opiskelijalta odotetaan n. 400 tunnin panostusta tasaisesti 3. ja 4. periodin ajan.

Content scheduling

Tammi-helmikuu:
– Linux-perusteet ja Python ohjelmointi datan käsittelyssä
– Data-analyysin perusteet: datan käsittely, mitä ovat konekoneoppimismallit, millaisia ovat lopputuotteet jolla vastataan kysymyksiin datan avulla
– Projektien valinta/hankkiminen, projektiryhmien organisointi, projektiin perehtyminen, aloituspalaverit, määrittely ja suunnittelu

Maalis-toukokuu: iteratiivinen määrittely, suunnittelu, toteutus, testaus ja käyttöönotto. Toiminta osana projektiryhmää jossakin vaihtoehtoisista projekteista.

Toukokuu: lopputuotteiden viimeistely ja esittely, vertaispalautteiden kerääminen.

Completion alternatives

AHOT

Practical training and working life cooperation

Projektit ovat avoimeen dataan perustuvia tai aitoja työelämäprojekteja.

International connections

Ei tällä toteutuksella.

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

Harjoituspalautuksia on hyväksytty alle puolet tai opiskelijan työpanos projektityössä on opintojakson laajuuteen nähden riittämätön tai lopputuote ei ole hyväksyttävä.