Data Analytics - Study guide

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.

Opiskelijalla ei tarvitse olla aiempaa kokemusta koodauksesta. Opintojakso suositellaan suoritettavaksi perusopintojen jälkeen.

• Tiedostomuodot (Excel, pilkkueroteltu csv, tietokannat, nettisivut).
• Datan valmistelu analytiikkaa varten.
• Datan visualisointia.
• Analysointiosaamisen perusmenetelmät Pythonilla.
• Aikasarjojen analysointi ja aikasarjaennustaminen.
• Ennakoivan analytiikan ja koneoppimisen malleja Pythonilla.

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.

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.

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.

Luennoilla harjoitellaan datojen kuvailevaa analysointia, ennakoivaa analytiikkaa ja mallintamista (koneoppimisen malleja) opettajan johdolla. Lähiopetuksesta poissa olleet voivat suorittaa samat harjoitukset itsenäisesti oppimateriaalien avulla.
Opiskelija syventää oppimista omatoimisesti tehtävillä harjoituksilla, joiden aiheet ja datat opiskelija voi vapaasti valita. Lähiopetuksen luentojen jälkeen opettaja ohjaa tarvittaessa myös omatoimisten harjoitusten tekemistä.

https://tilastoapu.wordpress.com/python/

Työssä käyviä opiskelijoita kannustetaan hyödyntämään omalta työpaikalta löytyviä datoja.

Pasilan toimipiste

Ei tenttiä.

Finnish

19.08.2019 - 13.12.2019

Opiskelija kerää omatoimisten harjoitusten tuotokset portfolioksi, jonka perusteella määräytyy arvosana.

17.06.2019 - 23.08.2019

ti 20.9. klo 14 - 17 luokka 3013
Anaconda, Jupyter notebook, ohjelmakirjastot
Asenna Anaconda omalle läppärille
27.8.
Datan valmistelu
3.9.
Lukumääriä ja prosentteja
10.9.
Lukumääriä ja prosentteja
17.9.
Pivot
24.9.
Ei lähiopetusta
1.10.
Tunnuslukuja
8.10.
Aikasarjat
15.10.
Intensiiviviikko, ei lähiopetusta
22.10. klo 14-17 luokka 4003
Aikasarjaennustaminen
29,10.
Regressiomallit
5.11.
Luokittelumallit
12.11.
Tilatollinen merkitsevyys, tulosten raportointi
19.11.
Muita välineitä data-analytiikkaan
26.11.
Omaa harjoittelua
3.12.
Omaa harjoittelua
10.12.
Omaa harjoittelua

LHPAVV

Aki Taanila

15 - 40

Arvosana määräytyy portfolion perusteella. Jaossa on 30 pistettä (10 pistettä datan kuvailusta, 10 aikasarjoista, 10 pistettä mallintamisesta). Kurssin arvosana on pistemäärä jaettuna kuudella.

HELI Degree Programme in Business Management

0.00 cr

H-5