Data analysis and programming (5cr)

Evaluation scale

H-5

Content scheduling

Kurssi koostuu kahdesta osasta: ohjelmointi- sekä data-analytiikka-osa. Ensimmäisessä osassa päätavoite on oppia algoritmista ajattelutapaa ja kyetä hyödyntämään tätä yhtenä ongelmanratkaisun menetelmänä. Toisessa osassa tutustutaan data-analyysin perustyökaluihin ja tavoitteena on oppia tekemään annetusta datasta päätelmiä sekä ennusteita.

Tutkintosäännön mukaisesti kurssin ensimmäiseen opetuskertaan osallistuminen on pakollista.

Osa 1 (viikot 3-12):
- Python-ohjelmointikielen perusteet
- Ehtolausekkeet
- Toistolausekkeet
- Funktiot
- Tilastolliset tunnusluvut
- Välikoe 1 (vko 12)

Osa 2 (viikot 13-22):
- Lineaarinen regressio
- Logistinen regressio ja luokittelu
- KNN-algoritmi (K Nearest Neighbours)
- Muuttujien vähentäminen
- Välikoe 2 (vko 22)

Lähiopetusta järjestetään viikoilla ??

Teams-ohjausta järjestetään viikoilla ??

Jokaisen teeman alussa julkaistaan opetusvideo, joka sisältää kyseisen teeman teorian ja esimerkkejä. Opiskelijoilla on kyseisen viikon perjantaihin asti aikaa kertoa opettajalle lisäohjaustoiveita, joiden pohjalta julkaistaan lisäohjausvideo. Harjoitustehtävien palautus on aina teeman lopettavaan sunnuntaihin klo 23.59 mennessä. Esimerkkiratkaisut julkaistaan palautusajan päätyttyä.

Lähikerroilla käydään läpi hankalaksi koettuja asioita ja tehdään mahdollisesti lisäharjoitustehtäviä.

Teams-tunneilla opettaja vastaa opiskelijoiden esittämiin kysymyksiin.

Tarkempi kurssin sisällön aikataulutus löytyy toteutuksen ITSlearning-sivustolta.

Objective

After completing the course, the student:
- Understands the basic concepts of programming.
- Can apply programming as a part of problem-solving process.
- Understands the use of statistical indicators in data analytics.
- Knows the most common methods of data analysis.
- Understands the role of training and test sets.
- Can apply methods of data analysis to investigate given data and make conclusions about it

Content

- Basic structures of programming such as loop, selection and function.
- Basics of statistics
- Linear regression.
- K nearest neighbour method.
- Dimension reduction
- Parameter selection

Materials

Itslearning-oppimisympäristössä oleva ja sinne linkitetty materiaali.

Teaching methods

Kurssin opetus perustuu opetusvideoihin ja harjoitustehtäviin.

Kurssi painottaa opiskelijan vastuuta omasta oppimisestaan. Opiskelijat voivat opiskella halutessaan täysin itsenäisesti tai osallistua kurssilla tarjottuun opetukseen. Myös tiimiopiskeluun kannustetaan.

Exam schedules

Ensimmäinen välikoe viikolla 12 ja toinen välikoe viikolla 22. Uusintakokeet pidetään monimuodon yleisinä uusintakertoina, joista koulutus ilmoittaa erikseen.

Pedagogic approaches and sustainable development

Opetuskerroilla annetaan teoriaopetusta ja käydään läpi esimerkkejä, mutta pääpaino oppimisessa on opiskelijan omassa osallistumisessa sekä laskuharjoitustehtävien tekemisessä.

Kurssin aiheet kehittävät taitoja, joilla tarkastella muun muassa kestävään kehitykseen liittyviä luonnontieteellisiä kysymyksiä. Kurssin data-analyysimenetelmillä voi esimerkiksi tarkastella laadunhallinnan parantamista tai tuotantohävikin pienentämistä.

Completion alternatives

-

Student workload

5 op = 135 tuntia opiskelijan työtä

10*2 h = 20 h opetusvideoihin perehtyminen
Loput täydennetään pian

?? h itsenäistä opiskelua sisältäen laskuharjoitusten tekemisen ja välikokeisiin valmistautumisen.

Evaluation methods and criteria

Kurssilla on kaksi 20 pisteen välikoetta, ja arvosana perustuu välikokeista saatuun yhteispistemäärään alla olevan taulukon mukaisesti. Lisäksi molemmista välikokeesta on saatava vähintään 7,5p. Arvioinnissa painottuvat ohjelmointitehtävien oikeellisuus, koodin luettavuus sekä tulosten tulkinta ja raportointi.

Arvosana 1: 15 pistettä
Arvosana 2: 20 pistettä
Arvosana 3: 25 pistettä
Arvosana 4: 30 pistettä
Arvosana 5: 35 pistettä

Kurssin oppimistehtävissä tekoälyä saa opintojaksolla käyttää vapaasti eikä siitä tarvitse erikseen mainita, sillä oppimistehtävät eivät vaikuta kurssin arviointiin.

Välikokeissa tekoälyn ja omien muistiinpanojen käyttö on kielletty, mutta koetilaisuudessa jaetaan opettajan tekemä lunttilappu.

Failed (0)

Opiskelija ei osoita hallitsevansa suurinta osaa ohjelmoinnin ja data-analyysin perustyökaluista.

Assessment criteria, satisfactory (1-2)

Opiskelija osoittaa hallitsevansa suurimman osan ohjelmoinnin ja data-analyysin perustyökaluista.

Assessment criteria, good (3-4)

Opiskelija osoittaa hallitsevansa ohjelmoinnin ja data-analyysin perustyökalut ja kykenee hyödyntämään niitä joissain soveltavissa tehtävissä.

Assessment criteria, excellent (5)

Opiskelija osoittaa hallitsevansa ohjelmoinnin ja data-analyysin perustyökalut ja kykenee hyödyntämään niitä suurimmassa osassa soveltavista tehtävissä.

Further information

Koko kurssia koskeva viestintä tapahtuu luennoilla ja Itslearning-alustalla tai sähköpostitse. Yhteydenotot opettajaan sähköpostitse.