Curricula

Objectives

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.

Content

- 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

Time and location

Opintojakso toteutetaan syyslukukaudella 2024.

Learning materials and recommended literature

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.

Teaching methods

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Practical training and working life connections

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Alternative completion methods

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Student workload

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.

Further information for students

Opintojakso arvioidaan palautettujen harjoitustehtävien perusteella. Tehtävien palautukset tulee suorittaa annettujen aikataulujen puitteissa.

Evaluation scale

0-5

Evaluation criteria, satisfactory (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.

Evaluation criteria, good (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.

Evaluation criteria, excellent (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.

Prerequisites

Tietotekniikan peruskäyttötaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.