Data-analytiikka - TKI2HM002 - Opinto-opas

Data-analytiikka, 5 op - TKI2HM002

Tulevat toteutukset

Data-analytiikka TKI2HM002-3042 13.01.2025-14.03.2025 5 op (MAICTF, ...) +-
Opetusmenetelmät ja ohjaus

Opetus tapahtuu verkossa.

Vastuuhenkilö

Toni Ernvall

Oppimateriaali ja suositeltava kirjallisuus

Oppimateriaalit jaetaan pääosin Moodlen kautta.

Toimipiste

Pasilan toimipiste

Tenttien ajankohdat ja uusintamahdollisuudet

Tenttiä ei ole.

Opetuskieli

Suomi

Ajoitus

13.01.2025 - 14.03.2025

Oppimistehtävät

Toteutuksen tehtävissä analysoidaan erilaisia datoja käyttäen kurssilla opittuja menetelmiä. Tehtävät ovat yksilötöitä.

Ilmoittautumisaika

02.01.2025 - 10.01.2025
Ryhmä
- MAICTF
- EVENING
- MADIGF
- ONLINE
- MASALF
Opettaja

Toni Ernvall

Paikkoja

31 - 60

Arviointitavat

Toteutuksen arvosana määräytyy tehtävien arvosanojen perusteella niiden keskiarvona.

Koulutus

LUJOM Liiketoiminnan uudistamisen ja johtamisen koulutus, LITEM Liiketoiminnan teknologiat -koulutus, PAKEM Palveluliiketoiminnan johtamisen ja kehittämisen koulutus, STROM Strategiatyö organisaatioissa

T&K-osuus

0.00 op

Virtuaaliosuus

1.00 op

Arviointiasteikko

H-5

Käynnissä olevat toteutukset

Ei käynnissä olevia toteutuksia.

Päättyneet toteutukset

Data-analytiikka TKI2HM002-3040 26.08.2024-13.12.2024 5 op (MASTROM, ...) +-
Opetusmenetelmät ja ohjaus

Koulutuksen tilaajan (tutkinto-ohjelma) pyynnöstä, vuodesta 2024 alkaen, lähtökohtaksi on otettu "Pythonia kaikille" aikaisemman "data-analytiikkaa kaikille" sijaan.
Kurssi käsittelee seuraavia neljää aihealuetta materiaaleineen ja tehtävineen strukturoidun datan analysointiin.
- kuvaileva analytiikka
- diagnostinen analytiikka
- aikasarja-analyysi ja ennustaminen
- johdatus koneoppimiseen.
Moodlesta löytyy kaikki tarvittava materiaali kurssin suorittamiseen, mukaan lukien Q@A-osion, jossa opiskelijat voivat keskustella kurssiin liittyvistä asioista mm. tehtävistä.

Vastuuhenkilö

Veijo Vänttinen

Oppimateriaali ja suositeltava kirjallisuus

Materiaali kurssin Moodlesivuilla

Toimipiste

Pasilan toimipiste

Tenttien ajankohdat ja uusintamahdollisuudet

Neljä arvioitavaa oppimistehtävää kurssin kuluessa

Opetuskieli

Suomi

Ajoitus

26.08.2024 - 13.12.2024

Oppimistehtävät

Oppimistehtävät - kuvaileva analytiikka - diagnostinen analytiikka - aikasarja-analyysi ja ennustaminen - johdatus koneoppimiseen.

Ilmoittautumisaika

03.06.2024 - 23.08.2024
Ryhmä
- MASTROM
- MAICTF
- MALEAF
- MACOMF
- MAEXPFHA
- MAENTF
- VIRTUAL
- INSTRUCTED
- MADIGF
- MASTRF
- MASALF
Opettaja

Veijo Vänttinen

Paikkoja

31 - 100

Arviointitavat

Neljä arvioitavaa oppimistehtävää
- kuvaileva analytiikka, (0 - 5 pistettä)
- diagnostinen analytiikka, (0 - 5 pistettä)
- aikasarja-analyysi ja ennustaminen, (0 - 5 pistettä)
- johdatus koneoppimiseen, (0 - 5 pistettä).

Koulutus

LUJOM Liiketoiminnan uudistamisen ja johtamisen koulutus, LITEM Liiketoiminnan teknologiat -koulutus, PAKEM Palveluliiketoiminnan johtamisen ja kehittämisen koulutus, STROM Strategiatyö organisaatioissa

T&K-osuus

0.00 op

Virtuaaliosuus

5.00 op

Arviointiasteikko

H-5
Data-analytiikka TKI2HM002-3036 25.03.2024-17.05.2024 5 op (EVENING, ...) +-
Opetusmenetelmät ja ohjaus

Opetus tapahtuu verkossa. Osallistuminen opetukseen ei ole pakollista.

Vastuuhenkilö

Heidi Rajamäki-Partanen

Oppimateriaali ja suositeltava kirjallisuus

Oppimateriaalit jaetaan pääosin Moodlen kautta.

Toimipiste

Pasilan toimipiste

Tenttien ajankohdat ja uusintamahdollisuudet

Tenttiä ei ole.

Opetuskieli

Suomi

Ajoitus

25.03.2024 - 17.05.2024

Oppimistehtävät

Toteutuksen tehtävissä analysoidaan erilaisia datoja käyttäen kurssilla opittuja menetelmiä. Tehtävät ovat yksilötöitä.

Ilmoittautumisaika

02.01.2024 - 22.03.2024
Ryhmä
- EVENING
- MAEXPFHA
- MAENTF
- MASTRF
- ONLINE
Opettaja

Toni Ernvall

Paikkoja

31 - 60

Arviointitavat

Toteutuksen arvosana määräytyy tehtävien arvosanojen perusteella niiden keskiarvona.

Koulutus

LUJOM Liiketoiminnan uudistamisen ja johtamisen koulutus, LITEM Liiketoiminnan teknologiat -koulutus, PAKEM Palveluliiketoiminnan johtamisen ja kehittämisen koulutus

T&K-osuus

0.00 op

Virtuaaliosuus

2.00 op

Arviointiasteikko

H-5
Data-analytiikka TKI2HM002-3037 15.01.2024-15.03.2024 5 op (MAICTF, ...) +-
Opetusmenetelmät ja ohjaus

Huomio: koulutuksen tilaajan (tutkinto-ohjelma) pyynnöstä, vuodesta 2024 alkaen, lähtökohtaksi on otettu "Pythonia kaikille" aikaisemman "data-analytiikkaa kaikille" sijaan.
Kurssi käsittelee seuraavia neljää aihealuetta materiaaleineen ja tehtävineen strukturoidun datan analysointiin.
- kuvaileva analytiikka
- diagnostinen analytiikka
- aikasarja-analyysi ja ennustaminen
- johdatus koneoppimiseen.
Moodlesta löytyy kaikki tarvittava materiaali kurssin suorittamiseen, mukaan lukien Q@A-osion, jossa opiskelijat voivat keskustella kurssiin liittyvistä asioista mm. tehtävistä.

Vastuuhenkilö

Heidi Rajamäki-Partanen

Oppimateriaali ja suositeltava kirjallisuus

Materiaali kurssin Moodlesivuilla

Toimipiste

Pasilan toimipiste

Tenttien ajankohdat ja uusintamahdollisuudet

Neljä arvioitavaa oppimistehtävää kurssin kuluessa

Opetuskieli

Suomi

Ajoitus

15.01.2024 - 15.03.2024

Oppimistehtävät

Neljä arvioitavaa oppimistehtävää - kuvaileva analytiikka - diagnostinen analytiikka - aikasarja-analyysi ja ennustaminen - johdatus koneoppimiseen.

Ilmoittautumisaika

02.01.2024 - 12.01.2024

Aikataulu

15.1 - 15.3.2024
Ryhmä
- MAICTF
- MASTROMF
- MALEAF
- MACOMF
- VIRTUAL
- INSTRUCTED
- MASALF
Opettaja

Veijo Vänttinen

Paikkoja

31 - 100

Arviointitavat

Neljä arvioitavaa oppimistehtävää
- kuvaileva analytiikka, (0 - 5 pistettä)
- diagnostinen analytiikka, (0 - 5 pistettä)
- aikasarja-analyysi ja ennustaminen, (0 - 5 pistettä)
- johdatus koneoppimiseen, (0 - 5 pistettä).

Koulutus

LUJOM Liiketoiminnan uudistamisen ja johtamisen koulutus, LITEM Liiketoiminnan teknologiat -koulutus, PAKEM Palveluliiketoiminnan johtamisen ja kehittämisen koulutus, STROM Strategiatyö organisaatioissa

T&K-osuus

0.00 op

Virtuaaliosuus

5.00 op

Arviointiasteikko

H-5
Näytä kaikki (3) Piilota

Kurssin jälkeen opiskelija:
• tunnistaa tietolähteet ja osaa arvioida niiden käytettävyyttä liiketoiminnan tarpeisiin.
• ymmärtää datan valmistelun, mallintamisen ja ennustamisen vaiheet.
• ymmärtää koneoppimisen ja tekoälyn peruskäsitteet.
• hallitsee kuvailevan ja selittävän analytiikan menetelmiä.
• osaa hyödyntää erilaisia visualisoinnin ja raportoinnin tapoja.
• ymmärtää informaatiomuotoilun käsitteen.

Sisältö
• prosessiajatteluun perustuva data-analytiikka (CRISP-DM)
• kuvailevan ja selittävän analytiikan menetelmät
• aikasarjojen analysointi ja aikasarjaennustaminen
• ennakoivan analytiikan ja koneoppimisen malleja
• soveltavia esimerkkejä Pythonin avulla
• visualisoinnin ja raportoinnin työvälineitä

Toteutuksesta riippuen lähiopetusta, itsenäistä työskentelyä, pienryhmätyöskentelyä ja verkko-opintoja.

Aikaisemmin hankitun osaamisen tunnistaminen ja tunnustaminen (AHOT)
Jos opiskelija omaa työn, opintojen tai muun syyn (esim. sertifiointi) takia kurssin tuottaman osaamisen, voi hän osoittaa osaamisensa näytöllä toteutuksen vastuuopettajan kanssa sovittavalla tavalla. Lisätietoja näyttöprosessista löytyy: https://www.haaga-helia.fi/fi/osaamisen-tunnistaminen-ja-work-study katso kohta "Ohjeet osaamisen tunnistamiseen (master)".

Nykyajan organisaatioissa tieto on keskeinen johtamisen väline. Data-analytiikka on väline tiedon jalostamiseen liiketoiminnan tarpeisiin. Opintojakson tavoitteena on ymmärtää data-analytiikan prosessi ja menetelmiä sekä osata soveltaa niitä käytännön esimerkkien avulla. Opintojakso ei edellytä aikaisempaa ohjelmointiosaamista.

Opintojakso korvaa edellisen opetussuunnitelman kurssit Kvantitatiivinen tutkimus sekä Tiedonhankinta ja –hallinta.

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.

Opintojaksolla ei ole edeltävyysehtoja.

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä liiketoiminnan kehittämisessä opettajan ohjeistuksen avulla. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan yksinkertaisen liiketoimintaan liittyvän ongelman opettajan ohjauksessa.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan yhtä tai useampia ennakointialgoritmejä ratkaistakseen liiketoimintaan liittyvän ongelman, mutta tarvitsee siinä opettajan apua. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä itsenäisesti liiketoimintaan kehittämisessä. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan yksinkertaisen liiketoimintaan liittyvän ongelman itsenäisesti.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan yhtä tai useampia ennakointialgoritmejä ratkaistakseen itsenäisesti liiketoimintaan liittyvän ongelman. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.

Opiskelija ymmärtää data-analytiikkaprosessin ja pystyy soveltamaan sitä itsenäisesti monimutkaisemmassakin liiketoiminnan kehittämistyössä. Opiskelija ymmärtää seuraavat käsitteet: deskriptiivinen, prediktiivinen ja preskriptiivinen analytiikka sekä edistyneen aineiston erityispiirteet. Opiskelija pystyy ratkaisemaan vaativan liiketoimintaan liittyvän ongelman itsenäisesti.

Opiskelija osaa tehdä johtopäätöksiä tuloksista ja visualisoida niitä sekä julkaista niitä käyttämällä sopivia digitaalisia työvälineitä. Opiskelija pystyy soveltamaan useampia ennakointialgoritmejä ratkaistakseen itsenäisesti liiketoimintaan liittyviä ongelmia. Opiskelija osaa arvioida liiketoimintaraporttien luotettavuutta ja merkityksellisyyttä.