Kursuse eesmärk on omandada teadmised andmeteaduse ja masinõppe baasmeetoditest ja -algoritmidest ning kujundada oskused lihtsamate andmeteaduse ja masinõppe meetodite rakendamiseks.

The aim of the 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.

Õppeaine läbinud üliõpilane:
- mõistab andmeteaduse ja masinõppe põhiterminoloogiat ning põhiprintsiipe;
- omab teadmisi andmeteaduse ja masinõppe baasmeetoditest ja -algoritmidest;
- määratleb ja sõnastab andmeteaduse ning masinõppe probleeme;
- valib ja rakendab probleemist lähtuvalt sobivaid andmeteaduse ning masinõppe meetodeid;
- teisendab andmeid analüüsiks sobivale kujule ja hindab, tõlgendab neid ning vormistab saadud analüüsi tulemused esitluseks;
- kasutab andmeteaduse ja masinõppe tarkvara.

After completing this course, the 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;
- defines and formulates data science and machine learning problems;
- selects and applies appropriate data science and machine learning methods based on the problem;
- transforms data into the form appropriate for analysis and evaluates, interprets and presents the results of the analysis;
- uses data science and machine learning software.

Kursus käsitleb andmeteaduse ja masinõppe põhiprintsiipe, algoritme ja mudeleid (andmete esmane analüüs ja visualiseerimine, sagedaste mustrite otsimine, lineaarregressioon, klassifitseerimine, otsustuspuud, logistiline regressioon, tekstianalüüs, aegridade analüüs jne) ning ka sobivate algoritmide valimise ja tulemuste hindamise ülesandeid. Õppeaine koosneb loengutest ning praktikumidest, kus õpitakse lahendama praktilise sisuga ülesandeid vastava tarkvara abil. Kursust õpetatakse rühmaprojekti kaudu, mis arendab õppijate meeskonnatöö oskusi ning ka andmete analüüsimise, järelduste tegemise ja tulemuste esitamise oskusi.

The course covers the main principles, algorithms and models of data science and machine learning (exploratory data analysis and visualization, frequent pattern mining, linear regression, classification, decision trees, logistic regression, text analysis, time series analysis, 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. The course is taught through a group project that develops learners' skills in analysing data, drawing conclusions, presenting results and working in teams.

eristav hindamine

graded assesment

-

-

Flach, P. Machine learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press, 2012
Steven S. Skiena, The Data Science Design Manual, Springer, 2017

-