Datan analysointi ja visualisointiLaajuus (4 op)
Tunnus: TTC8040
Laajuus
4 op
Opetuskieli
- suomi
Vastuuhenkilö
- Juha Peltomäki
- Tuomas Huopana
Osaamistavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Arviointikriteerit, tyydyttävä (1)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Enrollment
18.11.2024 - 09.01.2025
Timing
10.02.2025 - 28.03.2025
Number of ECTS credits allocated
4 op
Virtual portion
4 op
Mode of delivery
Online learning
Unit
School of Technology
Teaching languages
- English
Seats
0 - 35
Degree programmes
- Bachelor's Degree Programme in Information and Communications Technology
- Bachelor's Degree Programme in Information and Communications Technology
Teachers
- Juha Peltomäki
Groups
-
TTV22S5Tieto- ja viestintätekniikka (AMK)
-
TTV22S2Tieto- ja viestintätekniikka (AMK)
-
TTV22S3Tieto- ja viestintätekniikka (AMK)
-
TIC22S1Bachelor's Degree Programme in Information and Communications Technology
-
TTV22S1Tieto- ja viestintätekniikka (AMK)
-
TTV22SMTieto- ja viestintätekniikka (AMK)
-
TTV22S4Tieto- ja viestintätekniikka (AMK)
-
TTV22SM2Tieto- ja viestintätekniikka (AMK)
-
ZJA25KTIDA1Avoin amk, Data-analytiikka 1, Verkko
Objective
Purpose:
For the development of modern applications and for their functionality, a vital part is played by the data analysis concerning the data. Applications use data that is to be presented to the end users. For the end user, data as such is not in a presentable format. Hence, analysis methods are needed to support the end user who makes the decisions based on the information content.
EUR-ACE Competences:
Knowledge and Understanding
Engineering Practice
Investigations and information retrieval
Course objectives:
You are able to identify data with the help of its content and metadata. You are able to present the data in a way that is appropriate to the situation. You have analyzed the data based on its definition in such a way that conclusions can be drawn from the results of the analysis. You are able to present the data you are analyzing.
Content
- Quantity and quality of data
- Datan analysis as a part of information processing
- Describing data
- Modifying data
- Data visualization
- Statistics
- Time series
- Correlation
- Linear ja nonlinear regression model
- Modelling periodical data
- Representing the analysed results
Location and time
The course will be implemented in the spring semester of 2025.
Oppimateriaali ja suositeltava kirjallisuus
The material for the assignments and the content to be studied will be shared during the course. The course utilizes the Python 3.10+ environment, Git version control, NumPy and Pandas libraries, visualization libraries and other applicable libraries.
Teaching methods
Virtual study including doing assignments and familiarizing yourself with related lecture and example materials.
Employer connections
The aim is to connect the content of the course to problems that occur in working life.
Vaihtoehtoiset suoritustavat
The admission procedures are described in the degree rule and the study guide. The teacher of the course will give you more information on possible specific course practices.
Student workload
The workload of one credit corresponds to 27 hours of study. The total amount of study work (4 ECTS) in the course is 108 hours.
Further information
The course is evaluated based on the returned assignments. Assignments must be returned within the given timescales.
Evaluation scale
0-5
Arviointikriteerit, tyydyttävä (1-2)
Sufficient (1):
You can identify data based on content and metadata. You know the most common techniques of data analytics used in data analysis tasks. You can apply the most common techniques for your data analysis. You can assess the results of data analysis in a restricted manner. You can present results of the data analyzed by you.
Satisfactory (2):
You are able to take data into use based on its content and metadata. You are familiar with the most commonly used techniques of data analytics in data analysis tasks. You are able to select the techniques for data analysis and apply the technical competence in practice. You are able to assess the data analysis result superficially. You are able to present the essential results of the data analyzed by you.
Arviointikriteerit, hyvä (3-4)
Good (3):
You can take essential data into used based on its content and metadata. You know the most commonly used techniques of data analytics in various data analysis tasks. You can justify and select the techniques for data analysis and apply your technical competence in practice. Additionally, you are able to assess the implementation and justify its development. You are able to present the essential results of the data analyzed by you.
Very good (4):
You are able to take the essential data into use based on its content and metadata. You know the most commonly used techniques in data analytics and are able to justify comprehensively the use of the implemented techniques in various data analysis tasks. You are able to justify and select the correct techniques for data analysis. You are able to apply your technical competence to practice. You are able to assess the implementation comprehensively and validate its further development. You are able to present the data analyzed by you extensively.
Assessment criteria, excellent (5)
Excellent (5):
You are able to take the essential data take into use based on its content and metadata taking into account the substance. You know the most commonly used techniques in data analytics and are able to critically justify the use of the implemented techniques in various data analysis tasks. You are able to apply your technical competence to practice. You are able to assess the implementation critically and validate its further development. You are able to present the results of the data analyzed by you comprehensively.
Qualifications
Basics in computing, programming, knowledge and know-how of Python programming language.
Ilmoittautumisaika
01.08.2024 - 22.08.2024
Ajoitus
30.09.2024 - 10.11.2024
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Paikat
0 - 35
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
TTV22S5Tieto- ja viestintätekniikka (AMK)
-
TTV22S2Tieto- ja viestintätekniikka (AMK)
-
TTV22S3Tieto- ja viestintätekniikka (AMK)
-
TTV22S1Tieto- ja viestintätekniikka (AMK)
-
TTV22SMTieto- ja viestintätekniikka (AMK)
-
TTV22S4Tieto- ja viestintätekniikka (AMK)
-
TTV22SM2Tieto- ja viestintätekniikka (AMK)
-
ZJA24STIDA1Avoin amk, Data-analytiikka 1, Verkko
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2024.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.11+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Lisätietoja opiskelijoille
Opintojakso arvioidaan palautettujen harjoitustehtävien perusteella. Tehtävien palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Enrollment
20.11.2023 - 04.01.2024
Timing
12.02.2024 - 30.03.2024
Number of ECTS credits allocated
4 op
Virtual portion
4 op
Mode of delivery
Online learning
Unit
School of Technology
Teaching languages
- English
Seats
0 - 30
Degree programmes
- Bachelor's Degree Programme in Information and Communications Technology
- Bachelor's Degree Programme in Information and Communications Technology
Teachers
- Juha Peltomäki
Groups
-
TTV21S3Tieto- ja viestintätekniikka (AMK)
-
TTV21S5Tieto- ja viestintätekniikka (AMK)
-
TTV21SMTieto- ja viestintätekniikka (AMK)
-
TIC21S1Bachelor's Degree Programme in Information and Communications Technology
-
TTV21S2Tieto- ja viestintätekniikka (AMK)
-
ZJA24KTIDA1Avoin amk, Data-analytiikka 1, Verkko
-
TTV21S1Tieto- ja viestintätekniikka (AMK)
Objective
Purpose:
For the development of modern applications and for their functionality, a vital part is played by the data analysis concerning the data. Applications use data that is to be presented to the end users. For the end user, data as such is not in a presentable format. Hence, analysis methods are needed to support the end user who makes the decisions based on the information content.
EUR-ACE Competences:
Knowledge and Understanding
Engineering Practice
Investigations and information retrieval
Course objectives:
You are able to identify data with the help of its content and metadata. You are able to present the data in a way that is appropriate to the situation. You have analyzed the data based on its definition in such a way that conclusions can be drawn from the results of the analysis. You are able to present the data you are analyzing.
Content
- Quantity and quality of data
- Datan analysis as a part of information processing
- Describing data
- Modifying data
- Data visualization
- Statistics
- Time series
- Correlation
- Linear ja nonlinear regression model
- Modelling periodical data
- Representing the analysed results
Location and time
The course will be implemented in the spring semester of 2024.
Oppimateriaali ja suositeltava kirjallisuus
The material for the assignments and the content to be studied will be shared during the course. The course utilizes the Python 3.9+ environment, Git version control, NumPy and Pandas libraries, visualization libraries and other applicable libraries.
Teaching methods
Virtual study including doing assignments and familiarizing yourself with related lecture and example materials.
Employer connections
The aim is to connect the content of the course to problems that occur in working life.
Vaihtoehtoiset suoritustavat
The admission procedures are described in the degree rule and the study guide. The teacher of the course will give you more information on possible specific course practices.
Student workload
The workload of one credit corresponds to 27 hours of study. The total amount of study work (4 ECTS) in the course is 108 hours.
Further information
The course is evaluated based on the returned assignments. Assignments must be returned within the given timescales.
Evaluation scale
0-5
Arviointikriteerit, tyydyttävä (1-2)
Sufficient (1):
You can identify data based on content and metadata. You know the most common techniques of data analytics used in data analysis tasks. You can apply the most common techniques for your data analysis. You can assess the results of data analysis in a restricted manner. You can present results of the data analyzed by you.
Satisfactory (2):
You are able to take data into use based on its content and metadata. You are familiar with the most commonly used techniques of data analytics in data analysis tasks. You are able to select the techniques for data analysis and apply the technical competence in practice. You are able to assess the data analysis result superficially. You are able to present the essential results of the data analyzed by you.
Arviointikriteerit, hyvä (3-4)
Good (3):
You can take essential data into used based on its content and metadata. You know the most commonly used techniques of data analytics in various data analysis tasks. You can justify and select the techniques for data analysis and apply your technical competence in practice. Additionally, you are able to assess the implementation and justify its development. You are able to present the essential results of the data analyzed by you.
Very good (4):
You are able to take the essential data into use based on its content and metadata. You know the most commonly used techniques in data analytics and are able to justify comprehensively the use of the implemented techniques in various data analysis tasks. You are able to justify and select the correct techniques for data analysis. You are able to apply your technical competence to practice. You are able to assess the implementation comprehensively and validate its further development. You are able to present the data analyzed by you extensively.
Assessment criteria, excellent (5)
Excellent (5):
You are able to take the essential data take into use based on its content and metadata taking into account the substance. You know the most commonly used techniques in data analytics and are able to critically justify the use of the implemented techniques in various data analysis tasks. You are able to apply your technical competence to practice. You are able to assess the implementation critically and validate its further development. You are able to present the results of the data analyzed by you comprehensively.
Qualifications
Basics in computing, programming, knowledge and know-how of Python programming language.
Ilmoittautumisaika
01.08.2023 - 24.08.2023
Ajoitus
02.10.2023 - 12.11.2023
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Paikat
0 - 30
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
TTV21S3Tieto- ja viestintätekniikka (AMK)
-
TTV21S5Tieto- ja viestintätekniikka (AMK)
-
TTV21SMTieto- ja viestintätekniikka (AMK)
-
TTV21S2Tieto- ja viestintätekniikka (AMK)
-
ZJA23STIDA1Avoin amk, Data-analytiikka 1, Verkko
-
TTV21S1Tieto- ja viestintätekniikka (AMK)
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2023.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Lisätietoja opiskelijoille
Opintojakso arvioidaan palautettujen harjoitustehtävien perusteella. Tehtävien palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ajoitus
20.03.2023 - 28.04.2023
Opintopistemäärä
4 op
Toteutustapa
Lähiopetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
ZJA23KTIDA1Avoin amk, Data-analytiikka 1, Verkko
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan kevätlukukaudella 2023.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ilmoittautumisaika
01.11.2022 - 05.01.2023
Ajoitus
20.03.2023 - 28.04.2023
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Toimipiste
Lutakon kampus
Opetuskielet
- Suomi
Paikat
0 - 30
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan kevätlukukaudella 2023.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ajoitus
07.11.2022 - 20.12.2022
Opintopistemäärä
4 op
Toteutustapa
Lähiopetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
ZJA22STIDA1Avoin amk, Data-analytiikka 1, Verkko
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2022.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ilmoittautumisaika
01.08.2022 - 25.08.2022
Ajoitus
07.11.2022 - 20.12.2022
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Toimipiste
Lutakon kampus
Opetuskielet
- Suomi
Paikat
0 - 30
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2022.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ajoitus
29.08.2022 - 02.10.2022
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
ZJA22STIDA2Avoin amk, Data-analytiikka 2, Verkko
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2022.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ilmoittautumisaika
01.08.2022 - 25.08.2022
Ajoitus
29.08.2022 - 02.10.2022
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Toimipiste
Lutakon kampus
Opetuskielet
- Suomi
Paikat
0 - 30
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan syyslukukaudella 2022.
Oppimateriaali ja suositeltava kirjallisuus
Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, NumPy- ja Pandas-kirjastoja, visualisointikirjastoja sekä muita soveltuvia kirjastoja.
Harjoitustehtävien tekemisessä hyödynnetään myös Anaconda-ympäristöä sekä Jupyter Notebook -formaattia.
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Tenttien ajankohdat ja uusintamahdollisuudet
Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettujen aikataulujen puitteissa.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Ilmoittautumisaika
01.11.2021 - 09.01.2022
Ajoitus
03.01.2022 - 28.02.2022
Opintopistemäärä
4 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
- Suomi
Paikat
0 - 35
Koulutus
- Tieto- ja viestintätekniikka (AMK)
Opettaja
- Juha Peltomäki
Ryhmät
-
ZJA21STIDAAvoin AMK, tekniikka, ICT, Data-analytiikka
-
TTV19SMTieto- ja viestintätekniikka
-
TTV19S1Tieto- ja viestintätekniikka
-
TTV20SMTieto- ja viestintätekniikka
-
TTV19S3Tieto- ja viestintätekniikka
-
TTV19S2Tieto- ja viestintätekniikka
-
TTV19S5Tieto- ja viestintätekniikka
Tavoitteet
Tarkoitus:
Nykyaikaisten sovellusten kehittämisen ja toiminnan kannalta olennaisessa osassa on sovellukseen liittyvän datan analysointi. Sovellukset käyttävät dataa, jota halutaan esittää loppukäyttäjille. Data ei kuitenkaan sellaisenaan ole loppukäyttäjälle esitettävässä muodossa. Datan analysointimenetelmiä tarvitaan tukemaan loppukäyttäjää, joka tekee datan tietosisältöön perustuvia päätöksiä.
EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku
Opintojakson tavoitteet:
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Osaat esittää datan tilanteen mukaisella tavalla. Olet analysoinut datan sen määritelmän pohjalta siten, että analyysin tuloksista voidaan tehdä johtopäätöksiä. Osaat esittää analysoimasi datan.
Sisältö
- Datan määrä ja laatu
- Datan analysointi osana koko tiedonkäsittelyprosessia
- Datan kuvaaminen
- Datan muokkaaminen
- Datan visualisointi
- Statistiikka
- Aikasarjat
- Korrelaatio
- Lineaarinen ja epälineaarinen regressiomalli
- Jaksollisen datan mallintaminen
- Analysoidun tuloksen esittäminen
Aika ja paikka
Opintojakso toteutetaan 1.3.2022 - 28.2.2022 välisenä aikana.
Oppimateriaali ja suositeltava kirjallisuus
Harjoitustöiden tekemisessä hyödynnetään Anaconda ohjelmistoa (Python 3.7-versio tai uudempi): https://www.anaconda.com/download/
Opetusmenetelmät
Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyvään sisältöön perehtymisen.
Harjoittelu- ja työelämäyhteistyö
Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.
Vaihtoehtoiset suoritustavat
Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.
Opiskelijan ajankäyttö ja kuormitus
Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.
Lisätietoja opiskelijoille
Kurssi arvioidaan harjoitustehtävien perusteella. Harjoitustehtäviä voi palauttaa vain kurssitoteutuksen aikana.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1-2)
Välttävä (1):
Osaat tunnistaa datan sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat soveltaa yleisimpiä tekniikoita datan analysoinnissa. Osaat arvioida suppeasti data-analyysin tuloksia. Osaat esittää analysoimastasi datasta tuloksia.
Tyydyttävä (2):
Osaat ottaa datan käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat datan analysointitehtävissä. Osaat valita tekniikat datan analysoinnissa ja soveltaa teknistä osaamista käytännössä. Osaat arvioida pintapuolisesti data-analyysin tulosta. Osaat esittää analysoimastasi datasta olennaisia tuloksia.
Arviointikriteerit, hyvä (3-4)
Hyvä (3):
Osaat ottaa olennaista dataa käyttöön sen sisällön ja metatietojen avulla. Tiedät data-analytiikan yleisimmin käytetyt tekniikat erilaisissa datan analysointitehtävissä. Osaat perustella ja valita tekniikat datan analysoinnissa ja osaat soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta olennaiset tulokset.
Kiitettävä (4):
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat laajasti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat monipuolisesti perustella ja valita oikeat tekniikat datan analysoinnissa. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida perusteellisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta kattavasti tuloksia.
Arviointikriteerit, kiitettävä (5)
Osaat ottaa olennaisen datan käyttöön sen sisällön ja metatietojen avulla ottaen huomioon substanssi. Osaat data-analytiikan yleisimmin käytetyt tekniikat ja osaat kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa datan analysointitehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä. Osaat arvioida kriittisesti toteutusta ja perustella sen kehittämistä. Osaat esittää analysoimastasi datasta laaja-alaisesti tuloksia.
Esitietovaatimukset
Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.