•   Data Analytics TOO8LH105-3009 18.01.2021-21.05.2021  5   (LHPAVV, ...) +-
    Learning objectives
    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.
    Starting level and linkage with other courses
    Opiskelijalla ei tarvitse olla aiempaa kokemusta koodauksesta. Opintojakso suositellaan suoritettavaksi perusopintojen jälkeen.
    Contents
    • 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.
    Assessment criteria
    Assessment criteria - grade 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.
    Assessment criteria - grade 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.
    Assessment criteria - grade 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.
    Teaching methods and instruction

    Verkkoluennoilla harjoitellaan datojen valmistelua, kuvailevaa analytiikkaa, selittävää analytiikkaa, ennakoivaa analytiikkaa ja mallintamista (koneoppimisen malleja) opettajan johdolla. Verkkoluennot ovat tarjolla myös nauhoitteina.

    Opiskelija syventää oppimista omatoimisesti tehtävillä harjoituksilla, joiden aiheet ja datat opiskelija voi vapaasti valita. Jos opiskelijalla ei ole omia datoja, niin harjoittelun voi tehdä opettajan tarjoamilla datoilla.

    Opettaja ohjaa tarvittaessa omatoimisten harjoitusten tekemistä verkossa.

    Learning material and recommended literature

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

    Working life connections

    Työssä käyviä opiskelijoita kannustetaan hyödyntämään omalta työpaikalta löytyviä datoja.

    Campus

    Pasilan toimipiste

    Exam dates and re-exam possibilities

    Ei tenttiä.

    Teaching language

    Finnish

    Timing

    18.01.2021 - 21.05.2021

    Learning assignments

    Opiskelija analysoi omatoimisesti erilaisia datoja kurssilla opetettavia menetelmiä käyttäen.

    Enrollment

    04.01.2021 - 15.01.2021

    Content scheduling

    Päivä Aihe Lisätietoa
    Johdanto data-analytiikkaan Asenna Anaconda koneellesi
    Datan valmistelu
    Kuvaileva analytiikka
    Selittävä analytiikka
    Aikasarjat
    Aikasarjaennustaminen
    Regressio
    Luokittelu

    Groups
    • LHPAVV
    • ONLINE
    Teachers

    Aki Taanila

    Seats

    15 - 40

    Further information

    Arvosana määräytyy omien tuotosten perusteella. Jaossa on 20 pistettä neljästä eri osiosta (5 pistettä datan valmistelusta ja kuvailevasta analytiikasta, 5 pistettä selittävästä analytiikasta, 5 pistettä aikasarjoista, ja 5 pistettä mallintamisesta). Kurssin läpäisyyn vaaditaan vähintään 4 pistettä ja arvosana on eri osioiden pisteiden keskiarvo matemaattisesti pyöristettynä.

    Degree Programme

    HELI Degree Programme in Business Management

    R&D proportion

    0.00 cr

    Virtual proportion

    0.00 cr

    Evaluation scale

    H-5