Opetussuunnitelmat

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoitustehtävät tehdään pääsääntöisesti ryhmätöinä.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Opintojakso arvioidaan palautettujen harjoitustehtävien perusteella, jotka tulee palauttaa annettuihin aikatauluihin mennessä.
Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoitustehtävät tehdään pääsääntöisesti ryhmätöinä.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettuihin aikatauluihin mennessä.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoitustehtävät tehdään pääsääntöisesti ryhmätöinä.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettuihin aikatauluihin mennessä.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoitustehtävät tehdään pääsääntöisesti ryhmätöinä.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettuihin aikatauluihin mennessä.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.
Harjoitustehtävät tehdään pääsääntöisesti ryhmätöinä.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. Palautukset tulee suorittaa annettuihin aikatauluihin mennessä.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.

Tavoitteet

Ymmärrät data-analytiikan ja koneoppimisen käytänteet ja projektin rakenteen ja kulun. Ymmärrät, millä tavalla datapohjainen projekti suunnitellaan, rakennetaan ja toteutetaan. Tunnistat myös datapohjaisten projektien keskeisen terminologian ja yleisimmät käytänteet. Ymmärrät datan visualisoinnin merkityksen. Tiedät opetus- ja testijoukon käsitteet ja yleisimmät tavat niihin jakamiseen. Saat perustiedot käytetyimmistä data-analytiikan ja koneoppimisen työkaluista.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön

Sisältö

- Dataan pohjautuvan projektin rakenne ja toteutus
- Data-analytiikan ja koneoppimisen käytänteet
- Opetus- ja testijoukon käsitteet ja yleisimmät tavat niiden jakamiseen
- Datapohjaisen projektin dokumentointi ja visualisointi
- Esittely data-analytiikka ja koneoppimisen yleisimpiin työkaluihin ja niihin tarvittava käytännön osaaminen

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat pintapuolisesti toteutuksensa ja perustella johtopäätökset.

Välttävä 1: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet. Osaat pintapuolisesti suunnitella data-analytiikan ja koneoppimisen projektin vaiheet. Lisäksi osaat arvioida suppeasti toteutuksensa ja tekemänsä johtopäätökset.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Hyvä 3: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat monipuolisesti arvioida toteutuksensa ja perustella johtopäätökset.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnet data-analytiikka ja koneoppimisen projektin eri vaiheet ja osaa systemaattisesti edetä vaihe vaiheelta. Osaat suunnitella data-analytiikan ja koneoppimisen projektin vaiheet riippumatta ratkaistavasta ongelmasta. Lisäksi osaat arvioida kriittisesti toteutuksensa ja perustella johtopäätökset.