Datatieteen ja koneoppimisen perusteetLaajuus (5 op)
Tunnus: IT00EW28
Laajuus
5 op
Vastuuhenkilö
- Peter Hjort
Osaamistavoitteet
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.
Sisältö
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Esitietovaatimukset
Ei esitietovaatimuksia
Arviointikriteerit, tyydyttävä (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Arviointikriteerit, hyvä (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Arviointikriteerit, kiitettävä (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Ilmoittautumisaika
21.09.2024 - 20.10.2024
Ajoitus
21.10.2024 - 31.12.2024
Opintopistemäärä
5 op
Toteutustapa
Lähiopetus
Yksikkö
ICT ja tuotantotalous
Toimipiste
Karaportti 2
Opetuskielet
- Suomi
Paikat
0 - 45
Koulutus
- Master's Degree Programme in Information Technology
Opettaja
- Peter Hjort
Vastuuopettaja
Ville Jääskeläinen
Ryhmät
-
T1624S6-NInformation Technology (MEng): Networking and Services
Tavoitteet
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.
Sisältö
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Arviointikriteerit, hyvä (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Arviointikriteerit, kiitettävä (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Esitietovaatimukset
Ei esitietovaatimuksia
Ilmoittautumisaika
01.08.2023 - 20.10.2023
Ajoitus
23.10.2023 - 17.12.2023
Opintopistemäärä
5 op
Toteutustapa
Lähiopetus
Yksikkö
ICT ja tuotantotalous
Toimipiste
Karaportti 2
Opetuskielet
- Englanti
Paikat
0 - 30
Koulutus
- Master's Degree Programme in Information Technology
Opettaja
- Peter Hjort
Ryhmät
-
T1623S6-NInformation Technology (MEng): Networking and Services
Tavoitteet
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.
Sisältö
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Arviointikriteerit, hyvä (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Arviointikriteerit, kiitettävä (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Esitietovaatimukset
Ei esitietovaatimuksia
Ilmoittautumisaika
02.07.2022 - 23.10.2022
Ajoitus
24.10.2022 - 18.12.2022
Opintopistemäärä
5 op
Toteutustapa
Lähiopetus
Yksikkö
ICT ja tuotantotalous
Toimipiste
Karaportti 2
Opetuskielet
- Englanti
Paikat
0 - 45
Koulutus
- Master's Degree Programme in Information Technology.
Opettaja
- Peter Hjort
Vastuuopettaja
Peter Hjort
Ryhmät
-
T1622S6-NInformation Technology (MEng): Networking and Services
Tavoitteet
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.
Sisältö
• Python ohjelmointikieli ja sen käyttö tiedon prosessoinissa
• Työkalut tiedon analysointiin ja sen visualisointiin, statististen menetelmien perusteet.
• Tulevaa käytöstä ennustavat mallit.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1)
Oppilas ymmärtää datatieteen ja koneoppimisen menetelmät ja työkalut ja osaa käyttää niitä tyypillisimmissä tapauksissa.
Arviointikriteerit, hyvä (3)
Oppilas osaa tyydyttävän suorituksen lisäksi soveltaa opetettuja menetelmiä hieman haastavammissa tapauksissa. Oppilaalla on myös melko hyvä näkemys menetelmien ja mallien rajoitteista.
Arviointikriteerit, kiitettävä (5)
Oppilas osaa hyvän suorituksen lisäksi soveltaa uusia menetelmiä datatieteen ja koneoppimisen tehtävissä. Hän ymmärtää menetelmien rajoitukset ja osaa arvioida kriittisesti saatuja tuloksia.
Esitietovaatimukset
Ei esitietovaatimuksia