Avoin AMK

Tampere

Dataosaamisen ja tekoälyn YAMK-tutkinto TAMK header

Data ja tekoäly

<a href="https://tuni.fi/perumisehdot-avoinamk">Perumisehdot</a>

Voit kysyä lisätietoa opinnoista sähköpostitse avoinamk [at] tuni.fi (avoinamk[at]tuni[dot]fi).Lisätietoa tarjonnasta ja avoimessa AMKissa opiskelusta löydät myös verkkosivuiltamme <a href="https://tuni.fi/avoinamk">tuni.fi/avoinamk</a>.

AMK-opinnot

Tietojenkäsittely ja teknologia

Avoimen AMKin opinnoille ilmoittaudutaan p&#228;&#228;s&#228;&#228;nt&#246;isesti verkkokaupassa ja opintomaksu maksetaan ilmoittautumisen yhteydess&#228;.Ilmoittautuminen on sitova.TAMKin tutkinto-opiskelijat ilmoittautuvat Pakin kautta. Heid&#228;t hyv&#228;ksyt&#228;&#228;n avoimen AMKin opintojaksolle, jos ryhm&#228;ss&#228; on tilaa.

suomi

TAMK Pääkampus

Koulutuksen tavoitteena on vahvistaa opiskelijan valmiuksia hyödyntää dataa ja tekoälyä käytännön työssä sekä ymmärtää niiden mahdollisuuksia, toimintaperiaatteita ja rajoituksia. Kokonaisuus muodostaa perustan data- ja tekoälyosaamiselle yhdistämällä tekoälyn perusteet, tietokannat ja SQL:n sekä&nbsp;data-analytiikan menetelmät ja työkalut.

Verkko-opinnot

Ilmoittaudu

Arvosanan muodostuminen: Arvosana koostuu viikkoharjoituksista ja kahdesta oppimistehtävästä. Toinen oppimistehtävä on data-analyysiin liittyvä ja toinen koneoppimiseen / tekoälyyn. Viikkotehtävistä voi saada 0-1 pisteen ja oppimistehtävistä kustakin 0-2. Pisteet lasketaan yhteen ja summasta muodostuu arvosana. Viikkotehtäviä tulee tehdä min. 80 %, jotta yhden pisteen voi saada.

Datan ja tekoälyn perusteet ja keskeisimmät menetelmät Python-ohjelmointikielellä. Tärkeimmät käsitteet ja menetelmät, klassia koneoppimisen algoritmeja ja erilaisia sovelluksia.

Kurssin alustava aikataulu (muutokset mahdollisia)

Tunnit tiistaisin 9.15-12.00 Teamssissa (General | TG-5G00HF74-3001 Tekoälyn perusteet)

vko 36: aloitus ja pythonin perusteet

vko 37: pandas ja datan käsittely

vko 38: datan visualisointia

vko 39: tilastollista analyysiä

vko 40: tekoälyosuus alkaa, lineaarinen regressio

vko 41: päällekkäinen tilaisuus, ei opetusta

vko 42: syysloma, ei opetusta

vko 43: kategoriset muuttujat

vko 44: logistinen regressio

vko 45: decision tree & random forest, oppimistehtävän 1 palautus

vko 46: neuroverkot, ANN regressio ja ANN luokittelija

vko 47: CNN demo, ei viikkotehtäviä, 

vko 48: ei enää opetusta, oppimistehtävän 2 palautus

Opiskelija tuntee tekoälyyn liittyvät keskeiset käsitteet, menetelmät ja algoritmit. Opiskelija osaa kouluttaa omalla datalla tekoälymalleja. Opiskelija oppii arvioimaat mallien suoritutuskykyä erilaisin arviointimenetelmin. Opiskelija oppii käyttämään opettamaansa tekoälymallia käytännössä uudella datalla ja ymmärtää mallin antamat tulokset.

Verkko-opetusta ja itsenäistä työstentelyä. Kontaktiopetus tiistaisin 9.15-11.30 Teamsissa.

Relaatiotietokantojen suunnittelu ja toteutus sekä SQL-kieli. Relaatiotietokannan hallintajärjestelmä, sen toiminta ja datan käsittely sen avulla.

Opiskelija tuntee relaatiotietokantojen suunnittelun ja toteutuksen. Opiskelija ymmärtää tietokantojen roolin teknisenä datavarastona ja oppii hakemaan dataa tietokannasta Opiskelija osaa ottaa tietokannasta vedoksia datasta, jota voi jatkojalostaa esimerkiksi data-analytiikan tai tekoälyn menetelmin. Opiskelija oppii SQL-kyselykielen, jolla relaatiotietokannoissa olevaa dataa käsitellään. Opiskelija osaa lisätä, lukea, päivittää ja poistaa tietokannoissa olevaa dataa.

Opintojaksolla omalle tietokoneelle asennetaan ohjelmistoja, kuten Tableau ( datan visualisointityökalu, ks: https://www.tableau.com/products/public/download ) sekä Weka ( data-algoritmien oppimistyökalu, ks: https://sourceforge.net/projects/weka/ ). Varmistathan etukäteen, että näiden asentaminen koneellesi on mahdollista.Opintojaksolla omalle tietokoneelle asennetaan ohjelmistoja, kuten Tableau ( datan visualisointityökalu, ks: https://www.tableau.com/products/public/download ) sekä Weka ( data-algoritmien oppimistyökalu, ks: https://sourceforge.net/projects/weka/ ). Varmistathan etukäteen, että näiden asentaminen koneellesi on mahdollista.

Datan keräystekniikat. Datalähteet, datan yhdistely- ja käsittelymenetelmiä. Datan valmistelua jatkotoimia varten. Data-analyysin käsitteitä, menetelmiä ja tekniikoita. Erilaisia datan visualisointitekniikoita. Sopivan analyysi- ja visualisointityökalun tai työkalujen hyödyntämistä.

08.09.2026 12:00 - 15:00 15.09.2026 12:00 - 15:00 21.10.2026 12:00 - 12:30 28.10.2026 12:00 - 12:30 04.11.2026 12:00 - 12:30 Opintojaksolla pidetään viisi (5) TEAMS-etäluentoa seuraavina ajankohtina:
- Ti 8.9 klo 12 - 15
- Ti 15.9 klo 12 - 15
- Ke 21.10 klo 12 - 15
- Ke 28.10 klo 12 - 15
- Ke 4.11 klo 12 - 15
Luennoille osallistuminen ei ole pakollista, mutta suositeltavaa. Luennot voi katsoa jälkikäteen tallenteelta.

Opiskelija tuntee data-analytiikkaan liittyvät keskeiset käsitteet, menetelmät ja työkalut. Opiskelija osaa analysoida dataa ja osaa tehdä analyysiä tukevia datan visualisointeja. Opiskelija oppii käyttämään tilanteeseen sopivaa datan analysointiympäristöä ja näihin sopivia työtapoja.

Etäopetus Teamsissa. Opetus koostuu etäluennoista, opettajan ohjaamista harjoituksista sekä itsenäisesti tehtävistä oppimistehtävistä. Harjoituksissa sovelletaan data-analyysin, datan visualisoinnin ja tekoälyn menetelmiä käytännönläheisiin aineistoihin ja esimerkkitapauksiin. Opiskelija työskentelee kurssilla esimerkiksi analyysi-, visualisointi- ja tekoälytyökalujen parissa.

Data ja tekoäly

Laajuus

Toteutusaika

Hakuaika

Hinta

Kampus

Kaupunki

Opetuksessa käytettävät kielet

Koulutusala

Opetustapa

Opintojen taso

Tekoälyn perusteet, 5 op

Tietokannat ja SQL, 5 op

Data-analytiikka, menetelmät ja työkalut, 5 op

Yhteystiedot

Näin ilmoittaudut

Perumisehdot

Viimeksi katsomasi koulutukset

Data ja tekoäly

Anna palautetta verkkosivuistamme!