Datatieteen ja koneoppimisen perusteet (5 op)

Toteutuksen tunnus: IT00EW28-3004

Toteutuksen perustiedot

Ilmoittautumisaika: 05.05.2025 - 19.10.2025
Ilmoittautuminen toteutukselle on käynnissä.
Ilmoittaudu toteutukselle OMAssa

Ajoitus: 20.10.2025 - 14.12.2025
Toteutus ei ole vielä alkanut.

Opintopistemäärä: 5 op

Toteutustapa: Lähiopetus

Yksikkö: ICT ja tuotantotalous

Toimipiste: Karaportti 2

Opetuskielet: englanti

Paikat: 0 - 40

Koulutus: Master's Degree Programme in Information Technology

Opettajat: Peter Hjort

Vastuuopettaja: Peter Hjort

Ryhmät: T1625S6-N
Information Technology (MEng): Networking and Services

Opintojakso: IT00EW28

Toteutuksella on 8 opetustapahtumaa joiden yhteenlaskettu kesto on 24 t 0 min.

Aika	Aihe	Tila
Ke 22.10.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 29.10.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 05.11.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 12.11.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 19.11.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 26.11.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 03.12.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila
Ke 10.12.2025 klo 17:00 - 20:00 (3 t 0 min)	Fundamentals of Data Science and Machine Learning IT00EW28-3004	KMD550 Oppimistila

Muutokset varauksiin voivat olla mahdollisia.

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