Opinto-opas

Tavoitteet

Opiskelijana sinä
- ymmärrät edistyneen analytiikan perusteita, tavoitteita, sovelluskohteita ja vaikuttavuutta
- tunnet datalähtöisen sekä kone- ja syväoppimisen merkityksen ja perusteet edistyneen analytiikan toteuttamisessa (etenkin; ennustava ja ohjaava analytiikka)
- tunnet ja osaa soveltaa edistyneen analytiikan suunnittelu- ja toteutustapoja sekä erilaisia alustoja ja tekniikoita
- osaat arvioida edistyneen analytiikan toteutustapoja, mallien soveltuvuutta ja teknologioiden käyttökelpoisuutta eri sovelluskohteiden kannalta.
- tunnet ja osaat soveltaa periaatteita ja työkaluja edistyneen analytiikan ratkaisujen jatkuvassa kehittämisessä ja elinkaarenhallinnassa.
- tunnet kvanttilaskennan (etenkin kvanttikoneoppimisen) mahdollisuuksia edistyneen analytiikan ongelmien ratkaisussa.
- ymmärrät automaation merkityksen edistyneen analytiikan ratkaisuihin liittyen.
- ymmärrät tietoturvan merkityksen edistyneen analytiikan ratkaisuihin liittyen.
- osaat soveltaa tietoturvaa parantavia ratkaisuja edistyneen analytiikan toteuttamisessa.

Sisältö

Edistynyt analytiikka; datan, syvä- ja koneoppimisen soveltamisen perusteet analytiikassa (mm. ennustava ja ohjaava analytiikka)
Koneoppiminen analytiikassa, tiedonlouhinta (data mining)
Ohjaamaton oppiminen ja soveltaminen datan analysoinnissa; klusterointi, anomalioiden tunnistus, luonnollisen kielen käsittely.
Ohjattu oppiminen ja soveltaminen analysoinnissa; luokittelu, regressio, aikasarja-analyysit, association rules mining
Analytiikkaratkaisuiden alustat ja teknologiat; palvelut, mallit, työnkulut,
Edistyneen analytiikan jatkuva kehittäminen (data, mallit, ja elinkaaren hallinta.
Syväoppiminen ja analytiikka; neuroverkot.
Kvanttilaskennan mahdollisuudet analytiikassa; kvanttikoneoppiminen (QML), klassinen laskenta vs. kvanttilaskenta analytiikassa, quantum-classical- hybridit, QaaS –kvanttilaskentapalvelut analytiikassa
Edistyneen analytiikan automatisointi.
Edistyneen analytiikan tietoturva.

Arviointiasteikko

H-5