Data-analytiikka (5 op)

Arviointiasteikko

H-5

Aikataulu

Päivä Aihe Lisätietoa
22.1. Johdanto data-analytiikkaan Asenna Anaconda koneellesi
29.1. Datan valmistelu
5.2. Kuvaileva analytiikka
12.2. Kuvaileva analytiikka
19.2. Ei opetusta
26.2. Selittävä analytiikka
4.3. Selittävä analytiikka
11.3. Aikasarjat
18.3. Aikasarjat
25.3. Ei opetusta
1.4. Aikasarjaennustaminen
8.4. Aikasarjaennustaminen
15.4. Regressio
22.4. Regressio
29.4. Luokittelu
6.5. Luokittelu
13.5.
20.5.

Toteutustavat, näyttö ja opinnollistaminen

Opintojakson osaamistavoitteet saavuttaa parhaiten osallistumalla lähiopetukseen. Lähiopetus sisältää
• esimerkkejä, jotka käydään läpi perusteellisesti opettajan johdolla
• yhdessä tehtäviä harjoituksia, joissa ongelmiin etsitään ratkaisuja yhdessä opiskelijakollegojen kanssa
• yksilötehtävien tekemistä, jolloin opettaja auttaa tarvittaessa.
Opiskelija viimeistelee yksilötehtävät omalla ajalla lähiopetuksen ulkopuolella.

Oppimateriaalit

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

Opetusmenetelmät ja ohjaus

Luennoilla harjoitellaan datojen valmistelua, kuvailevaa analytiikkaa, selittävää analytiikkaa, 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. Jos opiskelijalla ei ole omia datoja, niin harjoittelun voi tehdä opettajan tarjoamilla datoilla.

Luentojen jälkeen opettaja ohjaa tarvittaessa omatoimisten harjoitusten tekemistä.

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.