Edistynyt data-analytiikka (5op)

Intro

Koneoppimisen mallit ovat monessa mukana, esimerkiksi kysynnän ennustamisessa, roskapostien suodattamisessa, vakuutuspetosten tunnistamisesssa, luottoriskien arvioinnissa, sairauksien diagnosoinnissa, asiakkaiden segmentoinnissa jne. Tekoälyjärjestelmien keskiöstä yleensä löytyy koneoppimisen malleja. Opintojaksolla opit valitsemaan tilanteeseen sopivan mallin, säätämään tarvittaessa mallin parametreja ja käyttämään nykyaikaisia työkaluja mallin opettamiseen.

Osaamistavoitteet

Opintojakson tavoitteena on
- oppia tekemään datalle mallien edellyttämiä muunnoksia
- oppia soveltamaan koneoppimisen malleja eri työkaluilla
- oppia valitsemaan dataan parhaiten sopivat mallit
- oppia säätämään mallien parametreja.

Sisältö

- datan siivoaminen ja datan muunnokset
- koneoppimisen mallien taustaa ja vertailua
- esimerkkejä työkaluista ja palveluista
- mallien säätäminen

Toteutustavat, näyttö ja opinnollistaminen

a. Contact-toteutus, jossa on tehtävät ja itsenäinen työskentely
b. Online-toteutus, jossa on verkko-opetusta, tehtävät ja itsenäinen työskentely
c. Blended-toteutus, jossa on osittain lähiopetusta ja osin verkko-oppimista tehtävineen ja itsenäinen työskentely
d. Virtual-toteutus, jossa on verkko-oppimista tehtävineen ja itsenäinen työskentely

Mikäli jo osaat tämän opintojakson osaamistavoitteet, voit näyttää osaamisesi. Kysy lisää opintojakson opettajalta. Lisätietoja osaamisen tunnistamisesta: https://www.haaga-helia.fi/fi/osaamisen-tunnistaminen-ja-work-study

Oppimateriaalit

Opettajan ilmoittama materiaali.

Lähtötaso ja sidonnaisuudet muihin opintojaksoihin

Edeltävyysehtona opintojakson data-analytiikka Pythonilla (ANA001AS2A) suorittaminen tai muulla tavalla hankitut vastaavat taidot.

Arviointikriteerit - arvosana 1

Opintojaksojen CONTACT, ONLINE ja BLENDED -toteutuksilla edellytämme läsnäoloa lukujärjestykseen merkityillä opetuskerroilla. Jos olet poissa opetuskerroilta yli 25% arvosanasi laskee yhdellä numerolla. Jos olet poissa opetuskerroilta yli 50%, opintojakso hylätään.

Siivoaa datan käyttökelpoiseen muotoon. Osaa käyttää ainakin yhtä työkalua tai palvelua koneoppimisen malleihin ja/tai monimuuttujamenetelmiin.

Arviointikriteerit - arvosana 3

Yhdistelee datoja eri lähteistä. Tekee datalla muunnoksia parempien mallien aikaan saamiseksi. Osaa käyttää useita välineitä ja palveluita koneoppimisen malleihin ja/tai monimuuttujamenetelmiin.

Arviointikriteerit - arvosana 5

Valitsee käyttötilanteeseen parhaiten soveltuvan työkalun tai palvelun. Kykenee omatoimisesti ottamaan käyttöön uusia työkaluja ja palveluita.