Opintojakso

Opiskelija osaa esimerkiksi

• tunnistaa olemassa olevia avoimesti saatavilla data-aineistoja (ml. rajapinnat) ja työkaluja, joilla voi kehittää datataitoja
• selittää, millaisia näkemyksiä on mahdollista saada erilaisesta datasta kuten teksti
• hyödyntää erilaisia visuaaleja erilaisissa käyttötarkoituksissa kuten kontrollikaavioita poikkeuksien tunnistamisessa, viivakaavioita ennustuksissa ja AI-visuaaleja (eli tekoäly-/artificial intelligence -visuaaleja) tärkeimpien arvovaikuttajien tunnistamisessa
• hyödyntää automaattisia koneoppimisen työkaluja (kuten RapidMiner Go) mallien (kuten luokittelijoiden) muodostamisessa ja mallien antamien ennakointien hyödyntämisessä
• muodostaa tietomallin ja tarvittaessa yhdistää erilaisia datajoukkoja/-tauluja (tai kyselyjä), jotta voi hyödyntää algoritmien tuottamia näkemyksiä ja muodostaa tilannekuvia, jotka hyödyntävät eri datajoukossa olevia tietoja
• tunnistaa erilaisia suoritettavia asiakirjoja (kuten Google Colab) ja Python ohjelmointikielellä koodattuja komentosarjoja, kun käsitellään dataa

Datasta saadaan näkemyksiä (eli merkityksellisiä tietoja) esille hyödyntämällä ohjelmointikielien kirjastoja tai käyttämällä erilaisia valmisohjelmistoja – opetellaan erilaisten valmisohjelmistojen avulla tuottamaan automaattisesti datasta esimerkiksi ennakointimalleja ja pikanäkemyksiä, jotka auttavat kiinnittämään huomiota esimerkiksi poikkeamiin ja trendeihin. Erilaisten automaattisti tuotettujen ennakointimallien ja pikanäkemysten pohjalta voidaan muodostaa tarkentavia kysymyksiä ja tunnistaa datasta muuttujia, jotka kannattaa huomioida esimerkiksi piirresuunnittelussa – opetellaan kuvailemaan data-aineiston muuttujat ja arvioimaan data-aineistojen käyttökelpoisuutta. Lisäksi opetellaan muuntamaan dataa ja yhdistelemään erilaisia data-aineistoja tarkoituksellisien analyysien ja tilannekuvien tekemiseksi

Online-luennot 24 t (12*2 t), online-tutoriaalit 12 t (6*2 t), luentotentti (4 t) ja omatoiminen työskentely 90 t (5 op), 65 t (4 op).

Monimuoto-opetuksessa sovelletaan käänteisen oppimisen (flipped learning) periaatteita eli opiskelija perehtyy omatoimisesti annettuun aineistoon ja tekee harjoitustehtäviä. Opiskelijan oppimista tuetaan online-luennoilla ja -tutoriaaleilla – luennot keskittyvät vastaamaan mitä- ja miksi-kysymyksiin, tutoriaalit keskittyvät vastaamaan miten-kysymyksiin ja niissä arvioidaan harjoitustehtävävastauksia sekä kehitytään käyttämään erilaisia kommunikointi- ja käyttäytymistaitoja, joita tietojärjestelmien suunnittelussa tarvitaan

Luentomateriaali ja muu aineisto ovat Moodle-oppimisympäristössä. Luentokohtaiset aihekoostevideot tuotetaan opettajan toimesta Moodleen.  Kurssilla käytetään erilaisia työkaluja kuten Power BI Desktop (työpöytäsovellus) ja RapidMiner Go (selainsovellus). Yliopisto tarjoaa mahdollisuuden käyttää virtuaalityöpöytää, (https://studentuef.sharepoint.com/sites/heimo_fi/palvelut/ohjelmistot-ja-lisenssit/Sivut/Ohjelmat-kotikoneisiin.aspx), johon voi asentaa kurssilla tarvittavat työkalut, jollei niitä voi käyttää selainsovelluksina.

Harjoitustehtävät (40 pistettä, jos suorittaa 4 op laajuisena; 60 pistettä, jos suorittaa 5 op laajuisena) ja tentti (30 pistettä) arvioidaan. Luentotentistä on saatava vähintään 15 pistettä. Arvosanat (0–5) määräytyvät seuraavasti (4 op): 1 – min 15 pistettä, 2 – min 25 pistettä, 3 – min 35 pistettä, 4 – min 45 pistettä, 5 – min 55 pistettä. Arvosanat (0–5) määräytyvät seuraavasti (5 op): 1 – min 25 pistettä, 2 – min 35 pistettä, 3 – min 45 pistettä, 4 – min 55 pistettä, 5 – min 65 pistettä.

Mielellään seuraavat tietojenkäsittelytieteen kurssit: Johdatus tietojenkäsittelyyn ja Ohjelmointi I.

Syyslukukausi

Tämä opintojakso on avoin kaikille

Opetuskieli on suomi. Osa kurssiaineistosta on englanninkielistä kuten kurssiaineistoon valitut artikkelit ja sanastojen määrittelyt sekä työkalujen ohjeet.