Opetussuunnitelmat

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. (2019) Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. (2019) Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Opetus tapahtuu mikroluokassa ja sisältää harjoittelua tietokoneella. Tietoperusta omaksutaan itsenäisesti opiskelemalla ennen harjoittelua. Osaaminen saavutetaan soveltavilla oppimistehtävillä.

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson alussa ja Moodlessa.

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Kontaktitunnit noin 20 tuntia
Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 20 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava englanninkielinen toteutus TZLM7300-3007 Data Analysis.

Avoin AMK: enintään 5 opiskelijaa, jos luokassa on tilaa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Objective

Purpose
After the course you will understand how analysis of statistical data can help an engineer to make better business decisions.

Learning outcomes
You can analyze, visualize and interpret small and big data to draw conclusions and make forecasts using statistical methods.

Content

Descriptive, exploratory, and prescriptive statistics
Confidence interval estimation and hypotheses testing
Multi-variable regression models
Time series analysis, smoothing and forecasting methods
Big data analysis using a computer
Use of Excel and some machine learning software

Oppimateriaali ja suositeltava kirjallisuus

Morrison, S. J. (2009) Introduction to engineering statistics. Hoboken, NJ: Wiley
Hoerl, R & Snee, R. (2012) Statistical Thinking: Improving Business Performance. Hoboken, NJ: Wiley
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press
Other material accessible in Moodle

Teaching methods

The contact lessons are in a computer class and involve use of computers. The theory should be independently acquired before class exercises. The learning is accomplished by assignments where theory is put into practice.

Exam schedules

The date and execution of the exam will be announced in the beginning of the course and in Moodle.

Vaihtoehtoiset suoritustavat

The admission procedures are described in the degree rule and the study guide.

Student workload

Contact lessons about 20 hours
Independent study about 20 hours
Learning tasks about 20 hours

Further information

The assessment is based on learning tasks and exams.

An equivalent course in Finnish TZLM7300-3006 Datan analysointi.

Open AMK: at most 5 students if there are seats in the classroom.

Evaluation scale

0-5

Arviointikriteerit, tyydyttävä (1-2)

Adequate 1
You have achieved the desired goals. You know a few of the concepts and methods and how to apply them in familiar situations but your reasoning is often deficient and you make mistakes in calculations.

Satisfactory 2
You have achieved the desired goals. You know many of the concepts and methods and how to apply them in familiar situations but your reasoning is sometimes deficient or you make mistakes in calculations.

Arviointikriteerit, hyvä (3-4)

Good 3
You have achieved the desired goals. You know most of the concepts and methods and how to apply them in familiar situations showing often the ability to reason completely and calculate flawlessly

Very good 4
You have achieved the desired goals. You know most of the concepts and methods and how to apply them in new situations showing in most cases the ability to reason completely and calculate flawlessly.

Assessment criteria, excellent (5)

Excellent 5
You have achieved the desired goals. You know all the concepts and methods and how to apply them in new situations showing always the ability to combine things, reason completely and calculate flawlessly.

Qualifications

You master basic statistics and related Excel functions.

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Aika ja paikka

Syyslukukausi 2023

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. 2019. Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. 2019. Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy 2020. Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press
Shmueli, G., Bruce, P., Deokar, A. & Patel, N. 2023. Machine learning for business analytics. Hoboken, NJ: Wiley

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Verkko-opetuksessa opiskelija työskentelee itsenäisesti tutustumalla teoriaan ja soveltamalla sitä käytäntöön ratkaisemalla harjoitustehtäviä tietokoneella. Ei ohjausta.

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson työtilassa. Tentti ja uusintatentit ovat joulukuussa 2023 ja tammikuussa 2024

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 40 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava kontaktiopetusta sisältävä toteutus TZLM7300-3006.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. (2019) Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. (2019) Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Verkko-opetuksessa opiskelija työskentelee itsenäisesti tutustumalla teoriaan ja soveltamalla sitä käytäntöön ratkaisemalla harjoitustehtäviä tietokoneella. Ei ohjausta ajalla 12.6.-6.8.2023

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson työtilassa. Tentti ja uusintatentit (2kpl) ovat elo-syyskuussa

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 40 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava kontaktiopetusta sisältävä toteutus TZLM7300-3006.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. (2019) Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. (2019) Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Verkko-opetuksessa opiskelija työskentelee itsenäisesti tutustumalla teoriaan ja soveltamalla sitä käytäntöön ratkaisemalla harjoitustehtäviä tietokoneella.

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson työtilassa.

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 40 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava kontaktiopetusta sisältävä toteutus TZLM7300-3001.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. (2019) Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. (2019) Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Verkko-opetuksessa opiskelija työskentelee itsenäisesti tutustumalla teoriaan ja soveltamalla sitä käytäntöön ratkaisemalla harjoitustehtäviä tietokoneella.

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson työtilassa.

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 40 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava kontaktiopetusta sisältävä toteutus TZLM7300-3006.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Tavoitteet

Opintojakson tarkoitus
Opintojakson käytyäsi ymmärrät, miten tilastollisen aineiston analysointi voi tukea liiketoiminnan päätöksentekoa.

Opintojakson osaamistavoite
Osaat käsitellä, havainnollistaa ja tulkita pientä ja suurta aineistoa ja tehdä sen perusteella ennusteita ja tilastollisia johtopäätöksiä.

Sisältö

Tilastollisen aineiston kuvaileminen, selittäminen ja ennustaminen
Luottamusväliestimointi ja hypoteesin testaus
Monen muuttujan regressiomalleja
Aikasarjan analysointi, tasoittaminen ja ennustaminen
Massiivisen aineiston käsittelyä tietokoneella
Excelin ja jonkin koneoppimisen ohjelman käyttö

Oppimateriaali ja suositeltava kirjallisuus

Nummenmaa, L., Holopainen, M. & Pulkkinen, P. (2019) Tilastollisten menetelmien perusteet. SanomaPro
Kananen, H. & Puolitaival, H. (2019) Tekoäly. Bisneksen uudet mahdollisuudet. Helsinki: Alma Talent
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press

Muu materiaali Moodlen kautta.

Opetusmenetelmät

Opetus tapahtuu mikroluokassa ja sisältää harjoittelua tietokoneella. Tietoperusta omaksutaan itsenäisesti opiskelemalla ennen harjoittelua. Osaaminen saavutetaan soveltavilla oppimistehtävillä.

Tenttien ajankohdat ja uusintamahdollisuudet

Tentin ajankohta ja suoritustapa ilmoitetaan opintojakson alussa.

Vaihtoehtoiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa.

Opiskelijan ajankäyttö ja kuormitus

Kontaktitunnit noin 20 tuntia
Itsenäinen opiskelu noin 20 tuntia
Oppimistehtävät noin 20 tuntia

Lisätietoja opiskelijoille

Osaamisen arviointi perustuu oppimistehtäviin ja kokeeseen.

Korvaava englanninkielinen toteutus TZLM7300-3002 Data Analysis.

Avoin AMK: enintään 5 opiskelijaa, jos luokassa on tilaa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

Välttävä 1
Olet saavuttanut tavoitellut osaamiset. Tunnet joitakin käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta usein päättelysi on puutteellista ja laskelmasi virheellisiä.
Tyydyttävä 2
Olet saavuttanut tavoitellut osaamiset. Tunnet useita käsitteitä ja menetelmiä ja osaat soveltaa niitä itsellesi tutuissa tilanteissa, mutta joskus päättelysi on puutteellista tai laskelmasi virheellisiä.

Arviointikriteerit, hyvä (3-4)

Hyvä 3
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi tutuissa tilanteissa usein täydellisesti päätellen ja virheettömästi laskien.
Kiitettävä 4
Olet saavuttanut tavoitellut osaamiset. Tunnet lähes kaikki käsitteet ja menetelmät ja osaat soveltaa niitä myös itsellesi uusissa tilanteissa lähes aina täydellisesti päätellen ja virheettömästi laskien.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5
Olet saavuttanut tavoitellut osaamiset. Tunnet kaikki käsitteet ja menetelmät ja osaat soveltaa niitä itsellesi uusissa tilanteissa asioita yhdistellen, täydellisesti päätellen ja virheettömästi laskien.

Esitietovaatimukset

Hallitset tilastomatematiikan perusteet ja niihin liittyvät Excelin toiminnot.

Objective

Purpose
After the course you will understand how analysis of statistical data can help an engineer to make better business decisions.

Learning outcomes
You can analyze, visualize and interpret small and big data to draw conclusions and make forecasts using statistical methods.

Content

Descriptive, exploratory, and prescriptive statistics
Confidence interval estimation and hypotheses testing
Multi-variable regression models
Time series analysis, smoothing and forecasting methods
Big data analysis using a computer
Use of Excel and some machine learning software

Oppimateriaali ja suositeltava kirjallisuus

Morrison, S. J. (2009) Introduction to engineering statistics. Hoboken, NJ: Wiley
Hoerl, R & Snee, R. (2012) Statistical Thinking: Improving Business Performance. Hoboken, NJ: Wiley
Kelleher, Mac Namee & D'Arcy (2020) Fundamentals of Machine Learning for Predictive Data Analytics. Cambridge, MA: MIT Press
Other material accessible in Moodle

Teaching methods

The contact lessons are in a computer class and involve use of computers. The theory should be independently acquired before class exercises. The learning is accomplished by assignments where theory is put into practice.

Exam schedules

The date and execution of the exam will be announced in the beginning of the course.

Vaihtoehtoiset suoritustavat

The admission procedures are described in the degree rule and the study guide.

Student workload

Contact lessons about 20 hours
Independent study about 20 hours
Learning tasks about 20 hours

Further information

The assessment is based on learning tasks and exams.

An equivalent course in English TZLM7300-3002 Data Analysis.

Open AMK: at most 5 students if there are seats in the classroom.

Evaluation scale

0-5

Arviointikriteerit, tyydyttävä (1-2)

Adequate 1
You have achieved the desired goals. You know a few of the concepts and methods and how to apply them in familiar situations but your reasoning is often deficient and you make mistakes in calculations.

Satisfactory 2
You have achieved the desired goals. You know many of the concepts and methods and how to apply them in familiar situations but your reasoning is sometimes deficient or you make mistakes in calculations.

Arviointikriteerit, hyvä (3-4)

Good 3
You have achieved the desired goals. You know most of the concepts and methods and how to apply them in familiar situations showing often the ability to reason completely and calculate flawlessly

Very good 4
You have achieved the desired goals. You know most of the concepts and methods and how to apply them in new situations showing in most cases the ability to reason completely and calculate flawlessly.

Assessment criteria, excellent (5)

Excellent 5
You have achieved the desired goals. You know all the concepts and methods and how to apply them in new situations showing always the ability to combine things, reason completely and calculate flawlessly.

Qualifications

You master basic statistics and related Excel functions.