Opintojakson tavoitteena on syventää määrällisten datojen analysointiosaamista sekä yhdistää tilastollisten menetelmien ja koodauksen osaaminen. Opintojaksolla perehdytään datan visualisointiin Pythonin avulla. Analysointiosaamisen perusmenetelmät kerrataan oppien samalla Python-koodausta. Opintojaksolla luodaan katsaus keskeisimpiin ennakoivan analytiikan ja koneoppimisen malleihin Python-esimerkkien avulla. Opintojakso sopii data-analytiikasta ja koodauksesta kiinnostuneille opiskelijoille.
Opintojakson osaamistavoitteet saavuttaa parhaiten osallistumalla lähiopetukseen. Lähiopetus sisältää
• esimerkkejä, jotka käydään läpi perusteellisesti opettajan johdolla
• yhdessä tehtäviä harjoituksia, joissa ongelmiin etsitään ratkaisuja yhdessä opiskelijakollegojen kanssa
• yksilötehtävien tekemistä, jolloin opettaja auttaa tarvittaessa.
Opiskelija viimeistelee yksilötehtävät omalla ajalla lähiopetuksen ulkopuolella.
Oppimateriaalit
Opettajan laatima verkkomateriaali ja opettajan ilmoittama muu verkkomateriaali. Python-ohjelmointiympäristönä käytetään Anacondaa ja sen mukana tulevaa Jupyter notebookia. Lisätietoa https://tilastoapu.wordpress.com/python/
Lähtötaso ja sidonnaisuudet muihin opintojaksoihin
Opiskelijalla ei tarvitse olla aiempaa kokemusta koodauksesta. Opintojakso suositellaan suoritettavaksi perusopintojen jälkeen.
Arviointikriteerit
Arviointikriteeri - arvosana 1
Opiskelija
• tuntee keskeisimmät datojen lähteet ja tallennusmuodot
• osaa ainakin autettuna käyttää Pythonin grafiikkakirjastoja
• osaa ainakin autettuna automatisoida analysointia ja raportointia koodaamalla
• tuntee joitain ennakoivan analytiikan ja koneoppimisen malleja.
Arviointikriteeri - arvosana 3
Opiskelija
• osaa poimia, siivota ja yhdistellä datoja eri lähteistä
• osaa käyttää Pythonin grafiikkakirjastoja
• automatisoi analysointia ja raportointia koodaamalla
• osaa autettuna käyttää joitain ennakoivan analytiikan ja koneoppimisen malleja.
Arviointikriteeri - arvosana 5
Opiskelija
• osaa sujuvasti poimia, siivota ja yhdistellä datoja eri lähteistä
• osaa sujuvasti käyttää Pythonin grafiikkakirjastoja
• automatisoi sujuvasti analysointia ja raportointia koodaamalla
• osaa omatoimisesti laajentaa Python-osaamistaan
• osaa käyttää joitain ennakoivan analytiikan ja koneoppimisen malleja.