•   Data Analytics TKI2HM002-3040 26.08.2024-13.12.2024  5   (MASTROM, ...) +-
    Osaamistavoitteet
    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.
    Lähtötaso ja sidonnaisuudet muihin opintojaksoihin
    Opintojaksolla ei ole edeltävyysehtoja.
    Sisältö
    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
    Arviointikriteerit
    Arviointikriteeri - arvosana 1
    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.
    Arviointikriteeri - arvosana 3
    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.
    Arviointikriteeri - arvosana 5
    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.
    Lisätiedot
    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.
    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 Degree Programme in Business Development and Leadership, LITEM Degree Programme in Business Technologies, PAKEM Degree Programme in Service Business Leadership and Development, STROM Degree Programme in Strategising in Organisations

    T&K-osuus

    0.00 op

    Virtuaaliosuus

    5.00 op

    Arviointiasteikko

    H-5