•   Data Analytics TKI2HM002-3043 20.10.2025-12.12.2025  5   (MASTROMF, ...) +-
    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. Tämä opintojakso kuuluu ylemmän ammattikorkeakoulun (YAMK) opetussuunnitelmaan. Opintojakson suorittaminen edellyttää ylemmän ammattikorkeakoulun opiskeluoikeutta.
    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
    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.

    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.
    Opetusmenetelmät ja ohjaus

    Opetus tapahtuu verkossa.

    Kurssi käsittelee seuraavia neljää aihealuetta materiaaleineen ja tehtävineen strukturoidun datan analysointiin.
    - kuvaileva analytiikka
    - diagnostinen analytiikka
    - aikasarja-analyysi ja ennustaminen
    - johdatus koneoppimiseen.

    Vastuuhenkilö

    Toni Ernvall

    Oppimateriaali ja suositeltava kirjallisuus

    Oppimateriaalit jaetaan pääosin Moodlen kautta.

    Toimipiste

    Pasilan toimipiste

    Tenttien ajankohdat ja uusintamahdollisuudet

    Tenttiä ei ole.

    Opetuskieli

    Suomi

    Ajoitus

    20.10.2025 - 12.12.2025

    Oppimistehtävät

    Toteutuksen tehtävissä analysoidaan erilaisia datoja käyttäen kurssilla opittuja menetelmiä. Tehtävät ovat yksilötöitä.

    Ilmoittautumisaika

    14.05.2025 - 22.05.2025

    Ryhmä
    • MASTROMF
    • MALEAF
    • EVENING
    • MAEXPFHA
    • ONLINE
    • MASTRF
    • MASALF
    Opettaja

    Toni Ernvall

    Paikkoja

    31 - 60

    Arviointitavat

    Toteutuksen arvosana määräytyy tehtävien arvosanojen perusteella niiden keskiarvona.

    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