Fundamentals of Data Science and Machine LearningLaajuus (5 cr)
Code: IT00EW28
Credits
5 op
Responsible person
- Peter Hjort
Objective
After completing the course the student has an understanding of the methods and Python packages for processing, visualising and analysing data for data science and machine learning applications. Student is able to use data coming from different sources in different formats, perform basic statistical analysis of data and visualise it. Basic tasks in creating models to make predictions based on data will also become familiar.
Content
• Python programming language and its use in processing data
• Tools for the analysis and visualisation of data, basic statistical methods
• Building models for making predictions
Prerequisites
No requirements
Assessment criteria, satisfactory (1)
Student understands the methods and tools for data science and machine learning and is able to apply them in most typical settings.
Assessment criteria, good (3)
In addition to satisfactory criteria, student has demonstrated ability to solve some more demanding problems in the field. Student has fair understanding of the limitations of the methods and models.
Assessment criteria, excellent (5)
In addition to good criteria, student is able to apply new knowledge to data science and machine learning tasks. They understand the limitations of the methods and are able to critically assess the outcomes.
Enrollment
21.09.2024 - 01.10.2024
Timing
21.10.2024 - 15.12.2024
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
0 - 45
Degree programmes
- Master's Degree Programme in Information Technology
Teachers
- Peter Hjort
Teacher in charge
Ville Jääskeläinen
Groups
-
T1624S6-NInformation Technology (MEng): Networking and Services
Objective
Kurssin suoritettuaan opiskelijalla on käsitys menetelmistä ja Pythonin tarjoamista työkaluista tiedon (datan) prosessointiin, analysointiin ja visualisointiin datatieteen ja koneoppimisen sovelluksissa. Oppilas pystyy käsittelemään tietoa eri lähteistä ja eri formaateissa ja osaa statistisen analyysin perusteet ja kuinka saadut tulokset visualisoidaan. Kurssilla oppilaat tutustuvat myös, kuinka kerättyyn tietoon pohjautuvien mallien avulla voidaan ennustaa tulevaa käytöstä.
Content
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Assessment criteria, good (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Assessment criteria, excellent (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Prerequisites
Ei esitietovaatimuksia
Enrollment
01.08.2023 - 20.10.2023
Timing
23.10.2023 - 17.12.2023
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
0 - 30
Degree programmes
- Master's Degree Programme in Information Technology
Teachers
- Peter Hjort
Groups
-
T1623S6-NInformation Technology (MEng): Networking and Services
Objective
Kurssin suoritettuaan opiskelijalla on käsitys menetelmistä ja Pythonin tarjoamista työkaluista tiedon (datan) prosessointiin, analysointiin ja visualisointiin datatieteen ja koneoppimisen sovelluksissa. Oppilas pystyy käsittelemään tietoa eri lähteistä ja eri formaateissa ja osaa statistisen analyysin perusteet ja kuinka saadut tulokset visualisoidaan. Kurssilla oppilaat tutustuvat myös, kuinka kerättyyn tietoon pohjautuvien mallien avulla voidaan ennustaa tulevaa käytöstä.
Content
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Assessment criteria, good (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Assessment criteria, excellent (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Prerequisites
Ei esitietovaatimuksia
Enrollment
02.07.2022 - 23.10.2022
Timing
24.10.2022 - 18.12.2022
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
0 - 45
Degree programmes
- Master's Degree Programme in Information Technology.
Teachers
- Peter Hjort
Teacher in charge
Peter Hjort
Groups
-
T1622S6-NInformation Technology (MEng): Networking and Services
Objective
Kurssin suoritettuaan opiskelijalla on käsitys menetelmistä ja Pythonin tarjoamista työkaluista tiedon (datan) prosessointiin, analysointiin ja visualisointiin datatieteen ja koneoppimisen sovelluksissa. Oppilas pystyy käsittelemään tietoa eri lähteistä ja eri formaateissa ja osaa statistisen analyysin perusteet ja kuinka saadut tulokset visualisoidaan. Kurssilla oppilaat tutustuvat myös, kuinka kerättyyn tietoon pohjautuvien mallien avulla voidaan ennustaa tulevaa käytöstä.
Content
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Assessment criteria, good (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Assessment criteria, excellent (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Prerequisites
Ei esitietovaatimuksia