Datatieteen ja koneoppimisen perusteet (5 op)
Toteutuksen tunnus: IT00EW28-3003
Toteutuksen perustiedot
- Ilmoittautumisaika
-
21.09.2024 - 18.10.2024
Ilmoittautuminen toteutukselle on päättynyt.
- Ajoitus
-
21.10.2024 - 15.12.2024
Toteutus on päättynyt.
- Opintopistemäärä
- 5 op
- Lähiosuus
- 5 op
- Toteutustapa
- Lähiopetus
- Yksikkö
- (2019-2024) ICT ja tuotantotalous
- Toimipiste
- Karaportti 2
- Opetuskielet
- englanti
- Paikat
- 0 - 45
- Koulutus
- Master's Degree Programme in Information Technology
- Opettajat
- Peter Hjort
- Vastuuopettaja
- Ville Jääskeläinen
- Ryhmät
-
T1624S6-NInformation Technology (MEng): Networking and Services
- Opintojakso
- IT00EW28
Toteutuksella on 9 opetustapahtumaa joiden yhteenlaskettu kesto on 30 t 30 min.
| Aika | Aihe | Tila |
|---|---|---|
|
Ke 23.10.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 30.10.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 06.11.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 13.11.2024 klo 17:00 - 20:30 (3 t 30 min) |
Zoom - Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
|
|
Ke 20.11.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 27.11.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 04.12.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ke 11.12.2024 klo 17:00 - 20:30 (3 t 30 min) |
Datatieteen ja koneoppimisen perusteet IT00EW28-3003 |
KMD550
Oppimistila
|
|
Ma 16.12.2024 klo 17:30 - 20:00 (2 t 30 min) |
resit exams Fundamentals of Data Science and Machine Learning IT00EW28-3003 |
KMD550
Oppimistila
|
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