Kursuse eesmärk on omandada teadmisedandmeteaduse ja masinõppe eri meetoditest ja algoritmidest ning kujundada oskust rakendada lihtsamaid andmeteaduse ja masinõppe meetodeid.

The aim of this course is to acquire knowledge of the most common data science and machine learning methods and algorithms, as well as to form skills for simple data science and machine learning methods applying.

Üliõpilane:
- mõistab lihtsamat andmeteaduse ja masinõppe terminoloogiat ning printsiipe;
- tunneb enimlevinud andmeteaduse ja masinõppe meetodite algoritmide tööpõhimõtteid;
- oskab valida ja rakendada sobivaid meetodeid andmeanalüüsi ülesannete lahendamiseks.

Student:
- understands basic terminology and principles related to data science and machine learning;
- knows the most common data science and machine learning methods and algorithms;
- can choose and apply proper methods suitable for solving data analysis problems.

Kursus käsitleb andmeteaduse ja masinõppe põhiprintsiipe, algoritme ja mudeleid (andmete esnmane analüüs, visualiseerimine, sagedaste mustrite otsimine, lineaarregressioon, klassifitseerimine, otsustuspuud jne) ning sobivate algoritmide valimise ja tulemuste hindamise ülesandeid. Õppeaine koosneb loengutest ja praktikumidest, kus õpitakse lahendama praktilise sisuga ülesandeid vastava tarkvara abil.

The course covers the main principles, algorithms and models of data science and machine learning (exploratory data analysis and visualization, frequent pattern mining, principal components analysis, linear regression, classification, decision trees etc). Also aspects of choosing suitable algorithms and evaluating results will be covered. The course consists of lectures and practicums, where the practical tasks solving with the help of corresponding software is taught.

Mitteeristav hindamine

Pass/fail assessment

Iseseisev töö on mõeldud aine teoreetilise osa iseseisvaks läbitöötamiseks ja praktiliste ülesannete iseseisvaks lahendamiseks. Semestri jooksul tuleb täita praktilised tööd, mille arvu määrab õppejõud semestri alguses.

Self-dependent work is intended for theoretical part studying and practical tasks solving. Practical works should be executed during semester, the number of them is set by the lecturer at the beginning of a semester.

1. Flach, P. Machine learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press, 2012
2. Grolemund, G., Wickham, H. R for Data Science. O'Reilly Media, 2016

-