Data Analytics (5 cr)

Evaluation scale

H-5

Content scheduling

- Analytiikan työkalut ja ohjelmat. Johdanto data-analytiikkaan. Yleiskatsaus ja käyttöönotto
- Tietojen valmistelu. Suodatus, hakeminen, yhdistäminen ja luokittelu
- Sopivien data-analytiikkakirjastojen käyttö. Pandas, NumPy, scikit-learn ja muut
- Tietojen visualisointi ja analyysi. Visualisoinnin työkalut ja periaatteet. Tietojen tutkiminen ja analysointi

Objective

The student knows the main content of the selected data analytics libraries and is able to utilize them for data preparation and statistical processing for utilization in machine learning.

Content

- Data preparation: filtering, extraction, aggregation and classification
- Data visualization, research and analysis
- Use of suitable data analytics libraries

Materials

Kaikki kurssin tarvittavat materiaalit koostetaan ja tehdään saataville Moodle-työtilasta käsin.

Itseopiskeluun ennakkovaatimuksia, jos ei ole tuttuja:

Pythonin perusteet: Tutustuminen Python-ohjelmointikielen peruskäsitteisiin ja syntaksiin. Tiedonhallinnan perusteet: Ymmärrys perusasioista tiedon käsittelyssä, mukaan lukien JSON ja tietokannat. Tietotekniikan perusteet: Tietämys keskeisistä IT-käsitteistä, mukaan lukien ymmärrys siitä, mitä CPU ja GPU ovat.

Teaching methods

Verkkomateriaali, tehtävät ja lähiopetus

Assessment criteria, satisfactory (1)

The student is able to prepare and modify the data of a simple example case in a way that it can be utilized in machine learning algorithms or cloud services.

Assessment criteria, good (3)

The student is able to choose case-specific methods for data preparation and to modify the data in such a way that it can be utilized in machine learning and cloud services.

Assessment criteria, excellent (5)

The student is able to select the best case-specific methods for data preparation and to modify the data in a way that they can be utilized further in machine learning algorithms and cloud services.