Data-analytiikka (5 op)

Arviointiasteikko

H-5

Aikataulu

23.8. - 27.8. Johdanto data-analytiikkaan / Asenna Anaconda koneellesi
30.8. - 3.9. Datan valmistelu
6.9. - 10.9. Kuvaileva analytiikka
13.9. - 17.9. Selittävä analytiikka
20.9. - 24.9. Aikasarjat
27.9. - 1.10. Aikasarjaennustaminen
4.10. - 8.10. Regressiomallit
11.10. - 15.10. Luokittelumallit

Toteutustavat, näyttö ja opinnollistaminen

Toteutuksesta riippuen lähiopetusta, itsenäistä työskentelyä, pienryhmätyöskentelyä ja verkko-opintoja.

Aikaisemmin hankitun osaamisen tunnistaminen ja tunnustaminen (AHOT)
Jos opiskelija omaa työn, opintojen tai muun syyn (esim. sertifiointi) takia kurssin tuottaman osaamisen, voi hän osoittaa osaamisensa näytöllä toteutuksen vastuuopettajan kanssa sovittavalla tavalla. Lisätietoja näyttöprosessista löytyy: https://www.haaga-helia.fi/fi/osaamisen-tunnistaminen-ja-work-study katso kohta "Ohjeet osaamisen tunnistamiseen (master)".

Intro

Nykyajan organisaatioissa tieto on keskeinen johtamisen väline. Data-analytiikka on väline tiedon jalostamiseen liiketoiminnan tarpeisiin. Opintojakson tavoitteena on ymmärtää data-analytiikan prosessi ja menetelmiä sekä osata soveltaa niitä käytännön esimerkkien avulla. Opintojakso ei edellytä aikaisempaa ohjelmointiosaamista.

Oppimateriaalit

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

Opetusmenetelmät ja ohjaus

Videoluennoilla opetetaan datojen valmistelua, kuvailevaa analytiikkaa, selittävää analytiikkaa, ennakoivaa analytiikkaa ja mallintamista (koneoppimisen malleja).

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.

Työelämäyhteydet

Työssä käyviä opiskelijoita kannustetaan hyödyntämään omalta työpaikalta löytyviä datoja.

Tenttien ajankohdat ja uusintamahdollisuudet

Ei tenttiä.

Oppimistehtävät

Opiskelija analysoi omatoimisesti erilaisia datoja kurssilla opetettavia menetelmiä käyttäen.

Arviointitavat

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.