Advanced Data Analytics (5cr)

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.

Learning objectives

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.

Contents

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

Implementation methods, demonstration and Work&Study

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

Learning materials

Opettajan ilmoittama materiaali.

Starting level and linkage with other courses

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

Assessment criteria - grade 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.

Assessment criteria - grade 3

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

Assessment criteria - grade 5

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