Opintojakso

Opiskelija ymmärtää minkä tyyppisiä ongelmia voidaan ratkaista algoritmisen data-analyysin menetelmillä; yleisimpien data-analyysimenetelmien toimintaperiaatteet ja -edellytykset; tiedonlouhinnan ja koneoppimisen edellytykset ja tavoitteet; sekä algoritmisen data-analyysin työnkulun.

Opiskelija osaa valita oikean analyysin tavoitteen (datan kuvailu vs. ennustavan mallin oppiminen) ja osaa valita yleisimmistä menetelmistä sopivimman. Osaa käyttää yleisimpiä data-analyysimenetelmiä oikein ja osaa tulosten analysoinnin perusteet

Data-analyysin vaiheet. Kuvailevan ja ennustavan data-analyysin peruskäsitteet. Assosiaatiosääntöjen ja kattavien joukkojen louhinnan perusteet. Tärkeimmät ryhmittelyalgoritmit. Verkkojen analysoinnin perusteet. Päätöspuut ja naiivi Bayes ‑luokkitelijat. Poikkeuksien havaitseminen ja analysointi. Yksityisyys ja syrjiminen data-analyysissä.

Luennot 20 h, kurssikuulustelu 4 h, laskuharjoitukset 10 h, omatoiminen työskentely 54 h. Kurssin voi suorittaa myös tenttimällä yleisenä tenttipäivänä seuraavan kirjallisuuden: Tan, Steinbach, Karpatne & Kumar: Introduction to Data Mining 2nd ed. Pearson Education, Harlow, 2020, luvut 1–6.4, 9 ja 10.

Lähiopetus, verkko-opetus, laskuharjoitukset

Tenttikirjat, oheismateriaalit, kontaktiopetuksessa jaettava materiaali

Harjoitustehtävistä suoritettava 40 % ja suorituksissa läsnäolopakko; ylimenevät harjoitustehtävät tuottavat lisäpisteitä tenttiin (maks. 10 lisäpistettä, huomioidaan vain hyväksytyssä tentissä). Tentti 0–5.                      

Tilastotieteen johdantokurssi (tai vastaavat tiedot)                           

Kandidaattiopintojen 2. tai 3. vuoden kevät.

Opintojakso tarkoitettu sivuaineopiskelijoille

Opetuskieli on suomi