Data-analytiikka (5 op)

Arviointiasteikko

H-5

Aikataulu

ti 20.9. klo 14 - 17 luokka 3013
Anaconda, Jupyter notebook, ohjelmakirjastot
Asenna Anaconda omalle läppärille
27.8.
Datan valmistelu
3.9.
Lukumääriä ja prosentteja
10.9.
Lukumääriä ja prosentteja
17.9.
Pivot
24.9.
Ei lähiopetusta
1.10.
Tunnuslukuja
8.10.
Aikasarjat
15.10.
Intensiiviviikko, ei lähiopetusta
22.10. klo 14-17 luokka 4003
Aikasarjaennustaminen
29,10.
Regressiomallit
5.11.
Luokittelumallit
12.11.
Tilatollinen merkitsevyys, tulosten raportointi
19.11.
Muita välineitä data-analytiikkaan
26.11.
Omaa harjoittelua
3.12.
Omaa harjoittelua
10.12.
Omaa harjoittelua

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 kuvailevaa analysointia, 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. Lähiopetuksen luentojen jälkeen opettaja ohjaa tarvittaessa myös omatoimisten harjoitusten tekemistä.

Työelämäyhteydet

Työssä käyviä opiskelijoita kannustetaan hyödyntämään omalta työpaikalta löytyviä datoja.

Tenttien ajankohdat ja uusintamahdollisuudet

Ei tenttiä.

Oppimistehtävät

Opiskelija kerää omatoimisten harjoitusten tuotokset portfolioksi, jonka perusteella määräytyy arvosana.

Arviointitavat

Arvosana määräytyy portfolion perusteella. Jaossa on 30 pistettä (10 pistettä datan kuvailusta, 10 aikasarjoista, 10 pistettä mallintamisesta). Kurssin arvosana on pistemäärä jaettuna kuudella.