DATA-ANALYYSIN TEMAATTINEN MAISTERIKOULUTUS (DATA) 13.3.2013 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2013
1. AJANKOHTAISUUS Data-analyysillä tarkoitetaan menetelmiä ja lähestymistapoja, joilla eritavoilla (sensorit, videokuvat, signaalit, raportointi) kerätystä tiedosta pyritään muodostamaan kyseistä toimintaa kuvaavia malleja, sekä korkealuokkaista analysointia tai tarkempaa, tilastollisesti luotatettavaa informaatiota. Data-analyysin metodiikka voidaan tiivistää oheiseen kuvaan, joka mukailee Fayyed n Knowledge Discovery in Databases -prosessia. Oleelliset vaiheet kaikessa tekemisessä ovat data valinta, sen esiprosessointi, muuntaminen diskreeteiksi tai jatkuviksi havainnoiksi, rakenteiden löytäminen datan louhimisen avulla ja löydettyjen rakenteiden tulkitseminen ja varmistaminen. Data tulvan keskellä ilmaantuu suuria mahdollisuuksia niille, jotka pystyvät ymmärtämään dataa, irrottamaan siitä oleellisen ja visualisoimaan tai muuten selventämään tämän tiedon muille. Tähän massiivisen datan louhimiseen tarvitaan uusia työkaluja ja menetelmiä, mutta ennen kaikkea uusia osaajia data analyytikkoja. ICT 2015 työryhmä on raportissaan tunnistanut Suomen menestymisen kannalta seuraavat teknologiseen osaamiseen liittyvät kehityskohteet: On kehitettävä syvää tietojenkäsittelyosaamista (Computer Science). On varmistettava kriittinen osaamiskeskittymä avainteknologioissa, joita ovat digitaaliset palvelut ja sisällöt, pelillisyys, tietoturva, mobiliteetti ja big data. On laitettava kuntoon tutkimuksen, soveltamisen, tuotteistamisen ja kaupallistamisen ketju. On huomioitava ICT yleisen koulutuspolitiikan kehittämisessä. 2. DATA-MAISTERIKOULUTUKSEN TAVOITTEET Koulutuksella vastataan muuttuvan maailman tilanteeseen, jossa suurien data-aineistojen automaattisesta analysoinnista on tullut keskeinen työkalu useilla aloilla. Digitalisoinnin ja erilaisten sensoritekniikoiden avulla tietomassat kasvavat huimaa vauhtia ja sekä tutkimus että teollisuus ovat havainneet data-analyysin tuomat mahdollisuudet. Ala vaatii kuitenkin erikoistunutta osaamista, sekä tilastollisista menetelmistä, että niiden soveltamisesta tietokoneisiin, eikä vastaava koulutusta ole riittävästi. Data-analyysin maisteriohjelman tarkoituksena on kouluttaa osaajia tämän tarpeen täyttämiseksi. Opiskelijoita koulutetaan matematiikan ja tilastotieteen sekä tietotekniikan laitoksen yhteistyönä. Tiedolliset osaamistavoitteet: Opiskelijoilla on valmistuttuaan hyvät mahdollisuudet siirtyä teollisuuden ja elinkeinoelämän vaativiin asiantuntijatehtäviin tai jatkaa tutkimustyötä poikkitieteellisissä tutkimusryhmissä.
3. MAISTERITUTKINNON RAKENNE Data-analyysin maisterikoulutuksen laajuus on 120 op. Teemaopinnot 2 Pakolliset syventävät opinnot Kaikille yhteiset opinnot: TIES410 Future Internet Teeman syventävät opinnot: TIES326 Tietoturva, TIES487, TIES??? engineering*, TIES382 Epälineaarinen optimointi, Teeman valinnaiset syventävät opinnot Valinnaisissa syventävissä opinnoissa opiskelijan on suositeltavaa valita ainakin yksi seuraavista teemakokonaisuuksista. Halutessaan opiskelija voi kuitenkin valita kursseja myös teemakokonaisuuksista riippumatta. 1 Teolliset järjestelmät, 13 op menetelmät, 4 op TIES411 Konenäkö ja kuva-analyysi, 4 op TIES532 Service oriented architectures and cloud computing for developers, Cyber Security Technology, 1 ITKST42 Anomaly Detection, ITKST47 Advanced Anomaly Detection: Theory, Algorithms and Applications, ITKST 48 Advanced Persistence Threat, Critical Information Infrastructure protection, 1 ITKST 49 Cyber Security and Critical Information Infrastructure Protection, TJTSS50 Ohjelmistojen testaus ja laadunvarmistus tai TIES546 Ohjelmistotestaus, ITKS452 Requirements Engineering, Computer and Database Security, 1 Database Security*, Software Security*, Secure System Design*, Tietohallinto, 1 TJTST20 Tietohallinnon johtaminen, TJTST24 Liiketoimintaprosessien johtaminen,
TJTS570 Kansainvälisten projektien johtaminen, Liiketoiminta, 18 op ITKS540 Introduction to Mobile Computing and Business, TJTSK56 Käytettävyyssuunnittelu, 8 op TJTS571 Software Business, Kursseihin sisältyy Internet-kursseja 0-1 *) uusia kursseja Teemaan liittyvät projektiopinnot TIES405 Sovellusprojekti tai Tiedonlouhinnan tutkimusprojekti Pro Gradu -tutkielma TIES501 Pro gradu -seminaari TIES502 Pro gradu -tutkielma 30 op TIES503 Kypsyysnäyte 0 op Sivuaineopinnot Kandidaatin tutkinnon suorittaneella henkilöllä tulee olla suoritettuna kaksi perusopintoja vastaavaa sivuainekokonaisuutta tai yhden aineen perus- ja aineopinnot 10 op 3 0-30 Kandidaatin ja maisterin tutkinnon suorittaneella henkilöllä tulee olla suoritettuna kaksi perusopintoja vastaavaa sivuainekokonaisuutta tai yhden aineen perus- ja aineopinnot. Mikäli alempaan tutkintoon ei sisälly matematiikan perusopintokokonaisuutta (2) ja/tai tilastotieteen perusopintoja (2), tulee ne suorittaa osana FM-tutkintoa. Matematiikan perusopinnot, 2 ja/tai Matematiikan aineopinnot, 35 op sekä Tilastotieteen perusopinnot, 2 Sivuainekokonaisuutta suositellaan täydentämään tilastotieteen syventävillä kursseilla: TILAS646 Ryhtely-, luokittelu-, ja regressiomenetelmät;tils150 Teoreettinen tilastotiede 1, ; TILS151 Teoreettinen tilastotiede 2, Vapaavalintaiset opinnot Suositellaan: Johtamista & Yrittäjyyttä 0-10
Saatavilla olevia verkkokursseja: Jyu kurssi Sivusto Tyyppi Nimi URL Yliopisto coursera Kurssi Computational Methods for Data Analysis https://www.coursera.org/course/compmeth ods coursera Kurssi Computing for Data Analysis https://www.coursera.org/course/compdata coursera Kurssi Web Intelligence and Big Data https://www.coursera.org/course/bigdata Data Mining Johns Hopkins University Indian Institute of Technology Delhi http://ocw..edu/courses/sloan-school-of- management/15-062-data-mining-spring- 2003/ engineering Statistics and Visualization for Data Analysis and Inference http://ocw..edu/resources/res-9-0002- statistics-and-visualization-for-data-analysisand-inference-january-iap-2009/ engineering coursera Kurssi Scientific Computing https://www.coursera.org/course/scientificco mp engineering coursera Kurssi Computing for Data Analysis https://www.coursera.org/course/compdata Johns Hopkins University engineering coursera Kurssi Data Analysis https://www.coursera.org/course/dataanalysi s Johns Hopkins University engineering coursera Kurssi High Performance Scientific Computing https://www.coursera.org/course/scicomp engineering coursera Kurssi Statistics: Making Sense of Data https://www.coursera.org/course/introstats University of Toronto engineering coursera Kurssi Computational Methods for Data Analysis https://www.coursera.org/course/compmeth ods The University of North Carolina at Chapel Hill engineering coursera Kurssi Metadata: Organizing and Discovering Information https://www.coursera.org/course/metadata / Neuroverkot coursera Kurssi Machine Learning https://www.coursera.org/course/ml Stanford University / Neuroverkot coursera Kurssi Neural Networks for Machine Learning https://www.coursera.org/course/neuralnets University of Toronto / Neuroverkot coursera Kurssi Machine Learning Neurobiolo- https://www.coursera.org/course/machlearni ng gia coursera Kurssi Computational Neuroscience https://www.coursera.org/course/compneuro Neurobiologia Dynamical Modeling Methods for Systems https://www.coursera.org/course/dynamical coursera Kurssi Biology modeling Tekoäly / udacity Kurssi Introduction to Artificial Intelligence https://www.udacity.com/course/cs271 Tekoäly / edx Kurssi Artificial Intelligence https://www.edx.org/courses/berkeleyx/cs18 8.1x/2013_Spring/about coursera Kurssi Digital Signal Processing https://www.coursera.org/course/dsp Introduction to Communication, Control, and Signal Processing Signal Processing: Continuous and Discrete Discrete-Time Signal Processing Digital Signal Processing http://ocw..edu/courses/electrical- engineering-and-computer-science/6-011- introduction-to-communication-control-andsignal-processing-spring-2010/ http://ocw..edu/courses/mechanicalengineering/2-161-signal-processingcontinuous-and-discrete-fall-2008/ http://ocw..edu/courses/electrical- engineering-and-computer-science/6-341- discrete-time-signal-processing-fall-2005/ http://ocw..edu/resources/res-6-008- digital-signal-processing-spring-2011/ Icahn School of Medicine at Mount Sinai UC Berkeley École Polytechnique Fédérale de Lausanne
kuva-analyysi kuva-analyysi Signals and Systems Machine Vision Pattern Recognition for Machine Vision http://ocw..edu/courses/electrical- engineering-and-computer-science/6-003- signals-and-systems-fall-2011/ http://ocw..edu/courses/electrical- engineering-and-computer-science/6-801- machine-vision-fall-2004/ http://ocw..edu/courses/brain-andcognitive-sciences/9-913-pattern-recognitionfor-machine-vision-fall-2004/ kuva-analyysi coursera Kurssi Computer Vision https://www.coursera.org/course/compvision kuva-analyysi coursera Kurssi Computer Vision: The Fundamentals https://www.coursera.org/course/vision Technische Universität München University of California, Berkeley kuva-analyysi coursera Kurssi Computer Vision: From 3D Reconstruction to Visual Recognition https://www.coursera.org/course/computervi sion University of Michigan kuva-analyysi coursera Kurssi Fundamentals of Digital Image and Video Processing https://www.coursera.org/course/digital Northwestern University 5. TAUSTAOSAAMINEN Koulutusta tarjotaan ensisijaisesti tietotekniikan ja tilastotieteen maisteriopiskelijoille, joilla katsotaan olevan edellytykset ja motivaatio suorittaa vaaditut opinnot. Opiskelijaksi hakeudutaan kuten muihinkin tilastotieteen/tietotekniikan maisteriopintoihin. Koulutukseen valittavilta edellytetään suoritetuksi tilastotieteen ja tietotekniikan perus- tai aineopinnot sekä kandidaatin tutkinto (tai vastaavat kansainväliset opinnot) pääaineena tilastotiede tai tietotekniikka.