Data Analytics with Python ANA001AS2A-3011 13.01.2025-16.05.2025 5 (IT4PAICB1, ...)+-
Osaamistavoitteet
Opintojakson tavoitteena on yhdistää data-analytiikan menetelmien ja koodauksen osaaminen. Data-analytiikan perusmenetelmät käydään läpi oppien samalla Python-koodausta. Opintojaksolla luodaan katsaus keskeisimpiin ennakoivan analytiikan ja koneoppimisen malleihin Python-esimerkkien avulla. Opintojakso sopii data-analytiikasta, data-analytiikan automatisoinnista ja koodauksesta kiinnostuneille opiskelijoille.
Lähtötaso ja sidonnaisuudet muihin opintojaksoihin
Opintojakso suositellaan suoritettavaksi perusopintojen jälkeen. Opintojaksoa täydentämään sopii opintojakso Pythonin ja Excelin yhteiskäyttö (ANA007AS2A) joko ennen, yhtäaikaa tai jälkeen.
Sisältö
- tiedostomuodot (Excel, pilkkueroteltu csv, tietokannat, nettisivut).
- datan valmistelu analytiikkaa varten
- kuvailevan ja selittävän analytiikan menetelmät Pythonilla
- tulosten graafinen esittäminen
- aikasarjojen analysointi ja aikasarjaennustaminen Pythonilla
- ennakoivan analytiikan ja koneoppimisen malleja Pythonilla
Arviointikriteerit
Arviointikriteeri - arvosana 1
Opiskelija
- tuntee keskeisimmät datojen lähteet ja tallennusmuodot
- osaa käyttää Pythonilla kuvailevan analytiikan menetelmiä ja joitain selittävän analytiikan menetelmiä
- osaa visualisoida tuloksia graafisesti
- tuntee joitain ennakoivan analytiikan ja koneoppimisen malleja.
Arviointikriteeri - arvosana 3
Opiskelija
- osaa etsiä Python-ohjeita netistä
- osaa poimia, siivota ja yhdistellä datoja eri lähteistä
- osaa käyttää kuvailevan ja selittävän analytiikan menetelmiä
- laatii viimeisteltyjä graafisia visualisointeja
- viimeistelee tulokset lähes raportointikelpoiseen muotoon ja tulkitsee niitä sanallisesti
- osaa käyttää joitain ennakoivan analytiikan ja koneoppimisen malleja.
Arviointikriteeri - arvosana 5
Opiskelija
- osaa omatoimisesti laajentaa Python-osaamistaan
- osaa sujuvasti poimia, siivota ja yhdistellä datoja eri lähteistä
- käyttää sujuvasti kuvailevan ja selittävän analytiikan menetelmiä
- käyttää monipuolisia graafisia visualisointeja
- viimeistelee tulokset raportointikelpoiseen muotoon ja tulkitsee niitä asiantuntevasti
- osaa käyttää sujuvasti useita ennakoivan analytiikan ja koneoppimisen malleja sekä osaa valita tilanteeseen sopivimman mallin.
Lisätiedot
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.