UT Moodle kahe õppekava ainete võrdlemine

skript.js

t1 = `
logo
MINU ASJAD
Töölaud
Teated
Minu tunniplaan
Õppetulemused
Valikud õppekavas
Registreeringud
Avaldused
Tingimused ja tugi
ÜLDINE
STATISTIKA
Andmeteadus (120 EAP)214386
2023/2024 KinnitatudUuendatud: 12.07.2023
2023/2024
Vali versioon
Õppeaste
Magistriõpe
Nominaalkestus aastates
2
Õppevorm
Päevaõpe
Õppekeeled
Eesti
Teised vajalikud keeled
Inglise keel
Õppekohtade koguarv
-
Päevaõppe õppekohad
-
Programmijuht
JV
Jaak Vilo
Sisu lühikirjeldus
Õppekava koosneb järgnevatest moodulitest:
1. Alusmoodul (30 EAP)
2. Andmeteaduse ja tehisintellekti meetodid (18 EAP)
3. Suunamoodul (12 EAP)
3.1 Suunamoodul I: Andmeteadus äriettevõttes
3.2 Suunamoodul II: Andmeteadus humanitaarias ja sotsiaalteadustes
3.3 Suunamoodul III: Andmeteadus loodus- ja terviseteadustes
4. Valikained (24 EAP)
- Valikained (24 EAP)
- Valikainetemooduli alammoodul - välisõppe moodul (0-15 EAP)
5. Praktikamoodul (18 EAP)
6. Magistritöö moodul (18 EAP)
- Magistritöö seminar (3 EAP)
- Magistritöö või magistrieksam (15 EAP)
Vastuvõtutingimused
Õppekava on vähemalt bakalaureusekraadi omandanutele, kes on edukalt läbinud kokku vähemalt 60 EAP mahus matemaatika ja/või matemaatilise statistika ja/või informaatika eriala õppeaineid.
Lõpetamise tingimused
Õppekava lõpetamiseks peab üliõpilane:
- läbima kõik alusmooduli ained (30 EAP);
- andmeteaduse ja tehisintellekti meetodite moodulist valima 18 EAP mahus enda jaoks huvi pakkuvaid aineid;
- valima ühe kolmest suunamoodulist: (i) Suunamoodul I:
Andmeteadus äriettevõttes (ii) Suunamoodul II: Andmeteadus humanitaarias ja Sotsiaalteadustes (iii) Suunamoodul III: Andmeteadus loodus- ja terviseteadustes. Valitud suunamoodulis tuleb läbida 12 EAP mahus aineid;
- Läbima 24 EAP mahus valikaineid;
- Läbima 18 EAP mahus praktikamooduli aineid;
- Läbima magistritöö seminari (3 EAP) ja magistritöö (15
EAP) või magistrieksami (15 EAP).
Täiendav informatsioon
Programmijuht: prof. Jaak Vilo, vilo@ut.ee
Koordinaator: Tiiu Taur, tiiu.taur@ut.ee
Kirjeldus
Õppekeeled
Eesti
Teised vajalikud keeled
Inglise keel
Üldeesmärgid
Eesmärgiks on koolitada magistriõppe raames andmeteaduse spetsialiste, et
- tuua Eesti tööjõuturule hetkel puuduolevat tööjõudu koolitatud ja kvalifitseeritud andmeteaduse spetsialistide näol, panustades seeläbi ka kõrgema lisandväärtusega töökohtade loomisse ning andmeteaduse spetsialistide rahvusvahelise konkurentsivõime kasvu;
- luua alus andmeteaduse tippspetsialistide koolitamiseks hankega väljatöötatud õppekava alusel.
Õpiväljundid
Õppekava läbinud üliõpilane
- rakendab andmeteaduse ja statistika põhialuseid ja - meetodeid andmeanalüüsi teostamiseks erinevates valdkondades;
- määratleb andmete analüüsiga seotud probleemülesanded ja valib sobivaimad andmeteaduse meetodid püstitatud ülesande lahendamiseks;
- tõlgendab ja hindab andmeanalüüsi tulemuste usaldusväärsust ning teeb argumenteeritud järeldusi andmeanalüüsi tulemustele tuginedes;
- visualiseerib tulemusi ja tehtud järeldusi ning tutvustab neid teiste valdkondade ekspertidele neile mõistetavas vormis;
- planeerib ja viib ellu andmeteaduse projekte, võttes arvesse tervet andmete elutsüklit;
- on valmis töötama andmeteadust rakendavates meeskondades sh nii ettevõttes kui ka avalikus sektoris jm, mõistes selgelt oma rolli ja vastutust meeskonnas;
- on valmis jätkama õpinguid doktorantuuris.
Eriala ja kraad
Lõpetamisel väljastatav dokument
Diplom
Antava kraadi nimetus
Tehnikateaduse magister (andmeteadus) 
 MSc
Moodulid
1. Alusmoodul | sisemoodul | kohustuslik
30 EAP
Valiku põhimõtted
Õppekava läbimiseks tuleb läbida kõik alusmooduli õppeained
Üldeesmärgid
Alusmooduli eesmärk on tutvustada peamisi andmeteaduse kompetentse vastavalt ärivaldkondade ja sektorite ülese andmekaeve protsessi (CRISP-DM) ülesehitusele. Mooduli ained kajastavad CRISP-DM erinevaid komponente ning annavad peamise baasi andmeteaduse rakendamiseks eri valdkondades. CRISPDM:
https://en.wikipedia.org/wiki/Crossindustry_standard_process_for_data_mining Alusmoodul katab sektoriteüleste metoodikate kirjeldused ja peamised komponendid alustades ärivajaduste ja -võimaluste identifitseerimisest, andmete kogumisest, modelleerimisest, puhastamisest, andmeteaduse eri metoodikate (kirjeldavad, ennustavad mudelid, mudelite kvaliteedi hindamine, jne) ülevaatel. Juurutatud mudelite puhul lisanduvad vajalikud oskused andmeteaduse lahenduste juurutamiseks ja nende tulemuste tõlgendamiseks. Alusmoodulis on ka interdistsiplinaarne andmeteaduse eetiliste, privaatsuse ja legaalsete aspektide ning infoturbe IT-tehniliste lahenduste aine.
Õpiväljundid
Mooduli läbinud õppija:
- kirjeldab andmete kogu elutsüklit, eristab selle etappe ja annab neist
ülevaate;
- tunneb ära ja defineerib üldisel tasandil andmete analüüsiga seotud probleemülesandeid;
- tuvastab ja analüüsib andmete privaatsust puudutavaid juriidilisi ja eetilisi küsimusi majandus-, poliitilises ja sotsiaalses kontekstis;
- kogub iseseisvalt andmeid erinevatest allikatest, hindab kogutud andmete kvaliteeti ning kasutab sobivaid võtteid andmete eeltöötlemiseks (nt andmete puhastamine, rikastamine);
- rakendab masinõppe ja andmekaeve põhialuseid ja -meetodeid andmete analüüsiks;
- valib andmetöötluse tulemuste ja tehtud järelduste esitamiseks ja tutvustamiseks sobivad viisid, võttes arvesse sihtrühma varasemaid teadmisi ja huvi.
●Andmete visualiseerimine ja esitlus ∙ LTAT.02.008
6 EAP
●Andmeteaduse meetodid ∙ LTAT.02.006
6 EAP
●Andmetehnika ∙ LTAT.02.007
6 EAP
●Masinõpe ∙ MTAT.03.227
6 EAP
●Privaatsus ja andmekaitse - eetilised, õiguslikud ja IT aspektid ∙ LTAT.02.009
6 EAP
2. Andmeteaduse ja tehisintellekti meetodid | sisemoodul | kohustuslik
18 EAP
Valiku põhimõtted
Üliõpilane valib "Andmeteaduse ja tehisintellekti meetodite" moodulist 18 EAP mahus huvipakkuvaid õppeaineid
Üldeesmärgid
Mooduli eesmärk on anda õppekava läbivale üliõpilasele tugev andmeteaduse ja tehisintellekti meetodite taust. Mooduli lõpetanud üliõpilased omavad analüütilisemat lähenemist ja tugevat matemaatilist tausta koos praktiliste oskustega neid rakendada.
Õpiväljundid
Mooduli läbinud õppija:
Mooduli läbinud üliõpilane:
- võrdleb erinevaid andmeteaduse meetodeid ning hindab nende sobivust uue probleemülesande lahendamiseks;
- tunneb erinevaid andmebaasitüüpe (sh SQL, NoSQL);
- teostab päringuid rakendades erinevaid indekseerimise ja päringute optimeerimise meetodeid;6 (14)
- kohaldab ja arendab iseseisvalt edasi 2-3 andmeteaduse meetodit lähtuvalt huvipakkuva rakendusvaldkonna vajadustest ja analüüsitavate andmete sh suurandmete eripärast.
●Andmebaasid edasijõudnutele ∙ LTAT.02.010
6 EAP
●Biostatistika ∙ LTMS.00.015
6 EAP
●Loomuliku keele töötlus ∙ LTAT.01.001
6 EAP
●Masinõpe II ∙ LTAT.02.004
6 EAP
●Mitmemõõtmeline analüüs ∙ MTMS.01.088
6 EAP
●Privaatsust säilitavad tehnoloogiad ∙ LTAT.04.007
6 EAP
●Ruumiandmete analüüs ∙ LTOM.02.053
6 EAP
●Suurandmete haldus ∙ LTAT.02.003
6 EAP
●Sügavõpe masinnägemises ∙ LTAT.02.028
6 EAP
●Tehisnärvivõrgud ∙ LTAT.02.001
6 EAP
●Võrgustike analüüs ∙ LTAT.02.011
6 EAP
3. Suunamoodul | sisemoodul | kohustuslik/valikuline
12 EAP
Üldeesmärgid
Suunamooduli valinud üliõpilane peab valima ühe kolmest moodulis
Õpiväljundid
Mooduli läbinud õppija:
- määratleb iseseisvalt probleemülesandeid suunamooduli andmetest lähtuvalt;
- hindab kriitiliselt suunamooduli valdkonna andmete kvaliteeti ning valib sobivaimad meetodid nende eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi probleemülesannete identifitseerimiseks, defineerimiseks ja analüüsiks suunamooduli valdkonnas sobivaid ja juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ning rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab detailseid kokkuvõtteid, lähtudes suunamooduli valdkonna andmete analüüsi tulemustest;
- tunneb piisavalt suunamooduli valdkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
3.1 Suunamoodul I: Andmeteadus äriettevõttes | kohustuslik/valikuline | sisemoodul
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Mooduli eesmärk on õpetada teadmisi ja anda oskusi, et identifitseerida äriprobleeme ja ärivõimalusi kasutades ettevõtte äritarkvara süsteemidest pärit andmeid. Üliõpilased omandavad praktikas hästi välja töötatud meetodid äriprobleemide identifitseerimiseks, defineerimiseks ja analüüsiks, kasutades selleks andmeid nii äri huvipoolte kui ka ettevõtete infosüsteemidest. Selle baasil analüüsitakse andmeid, et formuleerida ja valideerida vajalikke hüpoteese ettevõtte ärivõimaluste edendamiseks.
Õpiväljundid
Mooduli läbinud õppija:
Mooduli läbinud üliõpilane:
- määratleb iseseisvalt äriprobleeme ja -võimalusi, kasutades ettevõtte äritarkvarasüsteemidest pärit andmeid;
- hindab kriitiliselt äriandmete kvaliteeti ning valib sobivaimad meetodid äriandmete eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi äriprobleemide identifitseerimiseks, defineerimiseks ja analüüsiks sobivaid juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ja rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab detailseid kokkuvõtteid lähtudes äriandmete analüüsist;
- tunneb piisavalt ärivaldkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada äriandmete analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Ärianalüüs ∙ MTAT.03.310
6 EAP
●Ärianalüütika ∙ MTAT.03.319
6 EAP
●Äriprotsesside kaeve ∙ LTAT.05.025
6 EAP
3.2 Andmeteadus humanitaarias ja sotsiaalteadustes | kohustuslik/valikuline | sisemoodul
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Mooduli eesmärk on valmistada ette andmeteaduse oskusi humanitaar- ja sotsiaalteaduste andmete analüüsiks, näiteks õpianalüütika individuaalse õppimise kiiruse ja metoodikate alal, poliitikakujunduse tarbeks, humanitaaria valdkonnaks ettevalmistuseks, mobiilsus- ja geoinfo andmete analüüsiks, sotsiaalvõrgustike analüüsiks, tekstikaeve, muusika ja meedia analüüsiks, jne.
Õpiväljundid
Mooduli läbinud õppija:
- määratleb iseseisvalt probleemülesandeid humanitaaria ja sotsiaalteaduste valdkonna andmetest lähtuvalt;
- hindab kriitiliselt humanitaaria ja sotsiaalteaduste andmete kvaliteeti ning valib sobivaimad meetodid nende eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi probleemülesannete identifitseerimiseks, defineerimiseks ja analüüsiks humanitaaria ja sotsiaalteaduste valdkonnas sobivaid ja juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ning rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab sisukaid kokkuvõtteid humanitaaria ja sotsiaalteaduste andmete analüüsi tulemuste alusel;
- tunneb piisavalt humanitaaria ja sotsiaalteaduste valdkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Andmeteadus ja digihumanitaaria ∙ HVEE.00.016
6 EAP
●E-valitsemine ∙ SHRG.02.024
6 EAP
●Eesti keele töötlus Pythonis ∙ HVEE.04.004
6 EAP
●Geograafia, kommunikatsioon ja ruumiline mobiilsus ∙ LTOM.02.050
6 EAP
●Loomuliku keele töötlus ∙ LTAT.01.001
6 EAP
●Majanduspoliitika mõjude hindamine ∙ MJRI.02.086
6 EAP
●Transformerid ∙ MTAT.06.055
6 EAP
3.3 Andmeteadus loodus- ja terviseteadustes | kohustuslik/valikuline | sisemoodul
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Loodus- ja täppisteadustes ning terviseteadustes on toimumas suur andmepõhine revolutsioon astronoomiast geneetikani, ökoloogiast tööstuse digitaliseerimiseni. Selle mooduli eesmärk on näidata peamisi andmeanalüüsi meetodeid ja lähenemisi loodus- ja täppisteadustes (kaugseire, astronoomia, andmehõive), eluteadustes (bioinformaatika, biostatistika, terviseandmed).10 (14) Rakenduslikult on Eestis algamas personaalmeditsiini lahenduste juurutamine, terviseandmete massiivne analüüs, tervishoiu kulutõhususe ja kvaliteedi analüüs - kõik nõuavad kompetentse suurandmete ja andmeanalüütika vallas.
Selle mooduli läbimisel omandatakse elementaarsed seosed bioteaduse, neuroteaduse ja tervisevaldkonna andmetüüpidest ja nende analüüsi meetoditest koos täiendavate võimalustega astronoomia, kaugseire ja sensorite/füüsikaliste mõõtmiste alal.
Õpiväljundid
Mooduli läbinud õppija:
- määratleb iseseisvalt probleemülesandeid loodus- ja terviseteadustes andmetest lähtuvalt;
- hindab kriitiliselt loodus- ja terviseteaduste andmete kvaliteeti ning valib sobivaimad meetodid nende eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi probleemülesannete identifitseerimiseks, defineerimiseks ja analüüsiks loodus- ja terviseteaduste valdkonnas sobivaid ja juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ning rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab detailseid kokkuvõtteid, lähtudes loodus- ja terviseteaduste andmete analüüsi tulemustest;
- tunneb piisavalt loodus- ja terviseteaduste valdkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Andmeteadus astronoomias ∙ LTTO.00.028
6 EAP
●Andmeteadus kaugseires ∙ LTTO.00.027
6 EAP
●Bioinformaatika ∙ MTAT.03.239
6 EAP
●Tehislik ja loomulik mõistus ∙ LTAT.02.024
6 EAP
●Terviseandmete analüütika ∙ LTAT.02.013
6 EAP
4. Valikained | sisemoodul | kohustuslik
24 EAP
Valiku põhimõtted
Üliõpilane valib lähtuvalt
oma varasemast kogemusest 24 EAP ulatuses õppeaineid, mis oluliselt täiendavad tema varasemaid oskusi programmeerimise, andmebaaside, statistika, ja äri valdkondades.
Valikainete hulka kuuluvad ka kõik õppekava kolme suunamooduli ained (neid ei ole siin loetelus korratud). Kui mõni muu soovitud aine ei kuulu valikainete loetellu, siis tuleb sellest eelnevalt konsulteerida programmijuhiga.
Üldeesmärgid
Mooduli eesmärgiks on anda teadmisi informaatika mõnes alamvaldkonnas vastavalt üliõpilase huvidele.
Õpiväljundid
Mooduli läbinud õppija:
Mooduli läbinud üliõpilane on omandanud täiendavaid teadmisi ja oskusi vastavalt valitud ainete õpiväljunditele.
●Aegridade analüüs ∙ MTMS.01.023
6 EAP
●Algebra I ∙ MTMM.00.038
6 EAP
●Algoritmid ja andmestruktuurid ∙ LTAT.03.005
6 EAP
●Algoritmika ∙ MTAT.03.238
6 EAP
●Andmeanalüüs I ∙ MTMS.01.069
3 EAP
●Andmeanalüüs II ∙ MTMS.01.007
6 EAP
●Andmebaasid ∙ LTAT.03.004
6 EAP
●Andmebaasid ∙ LTAT.02.021
6 EAP
●Andmehaldurid ja andmehalduse põhimõtted ∙ LTAT.02.014
6 EAP
●Arukad transpordisüsteemid ∙ MTAT.08.040
6 EAP
●Digitootedisaini lühiprojekt ∙ LTAT.05.011
3 EAP
●Digitootejuhtimise ettevõtlusprojekt ∙ LTAT.05.019
6 EAP
●Digitootejuhtimise seminar ∙ LTAT.05.022
6 EAP
●E-valitsemine ∙ SHRG.02.024
6 EAP
●Erikursus masinõppes ∙ MTAT.03.317
24 EAP
●Hägus loogika ja ligikaudsed arvutusmeetodid ∙ LTAT.02.005
6 EAP
●Infoturve ∙ MTAT.07.028
3 EAP
●Kliendisuhete juhtimine ja analüüs ∙ SVMJ.09.002
6 EAP
●Kõrgem matemaatika I ∙ MTMM.00.340
6 EAP
●Kõrgem matemaatika II ∙ MTMM.00.341
6 EAP
●Loomuliku keele töötlus ∙ LTAT.01.001
6 EAP
●Matemaatiline maailmapilt ∙ MTMM.00.342
6 EAP
●Mitmemõõtmeline analüüs ∙ MTMS.01.088
6 EAP
●Monte-Carlo meetodid ∙ MTMS.01.033
6 EAP
●Muusika andmeanalüütika ∙ LTAT.02.015
6 EAP
●Objektorienteeritud programmeerimine ∙ LTAT.03.003
6 EAP
●Operatsioonide ja tarneahela juhtimine ∙ SVMJ.03.010
6 EAP
●Pilvetehnoloogia ∙ LTAT.06.008
6 EAP
●Programmeerimine ∙ LTAT.03.001
6 EAP
●Rahvusvaheline digiinnovatsiooni projekt ∙ LTAT.05.024
6 EAP
●Seletatav automatiseeritud masinõpe ∙ LTAT.02.023
6 EAP
●Statistiline andmeteadus ∙ LTMS.00.025
6 EAP
●Statistiline andmeteadus ja visualiseerimine ∙ MTMS.01.100
3 EAP
●Tarkvaratoodete juhtimine ∙ MTAT.03.325
6 EAP
●Tehisintellekt ∙ LTAT.01.003
6 EAP
●Tekstikorpused ja nende analüüs ∙ HVEE.04.007
3 EAP
●Transformerid ∙ MTAT.06.055
6 EAP
●Tõenäosusteooria ja matemaatiline statistika ∙ MTMS.02.059
6 EAP
●Uurimis- ja analüüsimeetodid kultuurikorralduses ∙ HVKU.03.008
6 EAP
●Äriprotsesside juhtimine ∙ MTAT.03.231
6 EAP
5. Praktikamoodul | sisemoodul | kohustuslik
18 EAP
Valiku põhimõtted
Üliõpilasel tuleb läbida 18 EAP mahus praktika aineid
Üldeesmärgid
Praktikamooduli eesmärgiks on võimaldada üliõpilastel rakendada omandatud teadmisi erinevates valdkondades nii era- kui ka avalikus sektoris
Õpiväljundid
Mooduli läbinud õppija:
- kavandab iseseisvalt oma praktikaainete läbimisel teostatavaid ülesandeid, küsides sisendit meeskonnaliikmetelt ja õppejõududelt;
- rakendab õppekava täitmisel omandatud oskusi reaalsetes tingimustes;
- töötab andmeteaduse valdkonna õppe- või teadustööd tegevas meeskonnas, mõistes oma rolli ja vastutust meeskonna kontekstis;
- analüüsib täidetud tehnilisi, didaktilisi ja teaduslikke ülesandeid;
- esitleb saavutatud tulemusi meeskonnaliikmetele ja kaasüliõpilastele;
- jagab oma kogemusi ja annab tagasisidet kaasüliõpilastele
●Andmeteaduse projekt ∙ LTAT.00.009
6 EAP
●Hackathon'idel osalemine ∙ MTAT.03.324
3 EAP
●Hajussüsteemide projekt ∙ LTAT.00.010
6 EAP
●Praktika informaatikas ∙ MTAT.03.206
12 EAP
●Praktika informaatikas ∙ MTAT.03.237
6 EAP
●Sissejuhatus tarkvaraettevõtlusse ∙ MTAT.03.293
3 EAP
●Tarkvaraettevõtluse projekt ∙ MTAT.03.278
12 EAP
●Õppemetoodiline töö ∙ MTAT.00.023
6 EAP
●Õppemetoodiline töö ∙ MTAT.00.028
3 EAP
6. Magistritöö moodul | sisemoodul | kohustuslik
18 EAP
Valiku põhimõtted
Üliõpilasel on kohustus läbida magistriseminar ning valida üks kahest magistritöö või magistrieksam.
Üldeesmärgid
Mooduli eesmärgiks on anda üliõpilasele kogemus rakendada õppekavas omandatud erialaseid oskusi iseseisvas teadus- ja/või arendustöös
Õpiväljundid
Mooduli läbinud õppija:
- leiab ja analüüsib uut andmeteaduse alast infot, püstitab hüpoteese ning loob kogutud andmetest uusi erialaseid teadmisi;
- teeb teaduslikku uurimistööd meeskonnas, tajudes oma rolli ja vastutust meeskonna kontekstis;
- rakendab õppekava läbimisel omandatud teadmisi andmeteaduse probleemide sõnastamisel ja uuringute läbiviimisel;
- teeb andmete analüüsil tuginevaid põhjendatud üldistusi ja järeldusi;
- esitleb tehtud järeldusi arusaadavalt nii kirjalikult kui ka suuliselt;
- tutvustab avalikul esitlusel andmeteaduse alase uurimistöö tulemusi selgelt ning selgitab oma seisukohti arusaadavalt ja argumenteeritult
●Magistritöö ∙ LTAT.00.019
15 EAP
●Magistrieksam ∙ LTAT.00.017
15 EAP
●Magistritöö seminar ∙ LTAT.00.018
3 EAP
Üldinfo
Õppekava kood
214386
Nominaalkestus aastates
2
Õppekava maht
120 EAP
Õppekava nimetus
Andmeteadus
Õppekava nimetus inglise keeles
Data Science
Õppekava nimetus omastavas käändes
Andmeteaduse
Õppekava versioon
2023/2024
Sihtstipendiumide arv
-
Päevaõppe õppekohad
-
Sessioonõppe õppekohad
-
Õppekohtade koguarv
-
Liigitus
Õppeaste
Magistriõpe
Õppekava EHIS-e tase
614 magistriõpe (3+2)
Õppesüsteem
Ainesüsteem
Õppevorm
Päevaõpe
Õppevaldkond
Informatsiooni- ja kommunikatsioonitehnoloogiad
Õppesuund
Informatsiooni- ja kommunikatsioonitehnoloogia interdistsiplinaarne õppesuund
Õppekavarühm
Informatsiooni- ja kommunikatsioonitehnoloogia interdistsiplinaarne õppekavarühm
Õppekavagrupp
Informaatika ja infotehnoloogia
Valdkond
Loodus- ja täppisteaduste valdkond (LT)  Koordineerija
Õppekava haldajad
Arvutiteaduse instituut (LTAT)  Koordineerija
Programminõukogu
Näita kõiki (17) 
BL
Brandon Loorits
01.09.2022
Üliõpilane
ES
Elena Sügis
01.09.2022
Lektor
IU
Ilmar Uduste
01.09.2022
Vilistlane
Näita rohkem sisu
+ 10
Programmijuht
JV
Jaak Vilo
31.08.2020
VÕTA komisjon
JV
Jaak Vilo
 Esimees
KT
Kuldar Taveter
MK
Meelis Kull
Näita rohkem sisu
+ 1
VÕTA nõustaja
Näita kõiki (4) 
JS
Jaanika Seli
Loodus- ja täppisteaduste valdkond (LT)
KL
Käbi Laan
Loodus- ja täppisteaduste valdkond (LT)
TT
Tiiu Taur
Loodus- ja täppisteaduste valdkond (LT)
Õppekava õppijaid nõustav õppekorralduse spetsialist
Näita kõiki (5) 
JS
Jaanika Seli
01.06.2022
KL
Käbi Laan
24.04.2023
ÜH
Ülle Holm
01.06.2022
Kinnitamine
Õppekava versiooni kinnitaja
Õppekava versiooni kinnitamise kuupäev
Ülikooli senatis õppekava kinnitamise kuupäev
27.09.2019
HTM-i õppekavade registrisse kandmise kuupäev
22.11.2019
Õppe läbiviimise õigus õppekavagrupis
Tähtajatu
Õppekavagrupi kvaliteet hinnatud kuni
ÕIS
ÕISi tutvustav video
ÕISi kasutustingimused
ÕISi info ja abi
Moodle
Siseveeb
Üldinfo
Tartu Ülikooli kontaktid
Arvutiabi iseteenindus
EU logos
Andmekaitse
ÕIS II – 1.5.0
`;

t2 = `
logo
MINU ASJAD
Töölaud
Teated
Minu tunniplaan
Õppetulemused
Valikud õppekavas
Registreeringud
Avaldused
Tingimused ja tugi
ÜLDINE
Tunniplaanid
Õppeained
Õppekavad
Täiendusõpe
Akadeemiline kalender
STATISTIKA
Andmeteadus (120 EAP)214386
2022/2023 KinnitatudUuendatud: 12.07.2023
2022/2023
Vali versioon
Õppeaste
Magistriõpe
Nominaalkestus aastates
2
Õppevorm
Päevaõpe
Õppekeeled
Eesti
Teised vajalikud keeled
Inglise keel
Õppekohtade koguarv
75
Päevaõppe õppekohad
75
Programmijuht
JV
Jaak Vilo
Sisu lühikirjeldus
Õppekava koosneb järgnevatest moodulitest:
1. Alusmoodul (30 EAP)
2. Andmeteaduse ja tehisintellekti meetodid (18 EAP)
3. Suunamoodul (12 EAP)
3.1 Suunamoodul I: Andmeteadus äriettevõttes
3.2 Suunamoodul II: Andmeteadus humanitaarias ja sotsiaalteadustes
3.3 Suunamoodul III: Andmeteadus loodus- ja terviseteadustes
4. Valikained (24 EAP)
- Valikained (24 EAP)
- Valikainetemooduli alammoodul - välisõppe moodul (0-15 EAP)
5. Praktikamoodul (18 EAP)
6. Magistritöö moodul (18 EAP)
- Magistritöö seminar (3 EAP)
- Magistritöö või magistrieksam (15 EAP)

Vastuvõtutingimused
Õppekava on vähemalt bakalaureusekraadi omandanutele, kes on edukalt läbinud kokku vähemalt 60 EAP mahus matemaatika ja/või matemaatilise statistika ja/või informaatika eriala õppeaineid.
Lõpetamise tingimused
Õppekava lõpetamiseks peab üliõpilane:
- läbima kõik alusmooduli ained (30 EAP);
- andmeteaduse ja tehisintellekti meetodite moodulist valima 18 EAP mahus enda jaoks huvi pakkuvaid aineid;
- valima ühe kolmest suunamoodulist: (i) Suunamoodul I: Andmeteadus äriettevõttes (ii) Suunamoodul II: Andmeteadus humanitaarias ja Sotsiaalteadustes (iii) Suunamoodul III: Andmeteadus loodus- ja terviseteadustes. Valitud suunamoodulis tuleb läbida 12 EAP mahus aineid;
- Läbima 24 EAP mahus valikaineid.;
- Läbima 18 EAP mahus praktikamooduli aineid;
- Läbima magistritöö seminari (3 EAP) ja magistritöö (15 EAP)
või magistrieksami (15 EAP)
Täiendav informatsioon
Programmijuht: prof. Jaak Vilo, vilo@ut.ee
Koordinaator: Tiiu Taur, tiiu.taur@ut.ee
Kirjeldus
Õppekeeled
Eesti
Teised vajalikud keeled
Inglise keel
Üldeesmärgid
Eesmärgiks on koolitada magistriõppe raames andmeteaduse spetsialiste, et
- tuua Eesti tööjõuturule hetkel puuduolevat tööjõudu koolitatud ja kvalifitseeritud andmeteaduse spetsialistide näol, panustades seeläbi ka kõrgema lisandväärtusega töökohtade loomisse ning andmeteaduse spetsialistide rahvusvahelise konkurentsivõime kasvu;
- luua alus andmeteaduse tippspetsialistide koolitamiseks hankega väljatöötatud õppekava alusel.
Õpiväljundid
Õppekava läbinud üliõpilane
- rakendab andmeteaduse ja statistika põhialuseid ja - meetodeid andmeanalüüsi teostamiseks erinevates valdkondades;
- määratleb andmete analüüsiga seotud probleemülesanded ja valib sobivaimad andmeteaduse meetodid püstitatud ülesande lahendamiseks;
- tõlgendab ja hindab andmeanalüüsi tulemuste usaldusväärsust ning teeb argumenteeritud järeldusi andmeanalüüsi tulemustele tuginedes;
- visualiseerib tulemusi ja tehtud järeldusi ning tutvustab neid teiste valdkondade ekspertidele neile mõistetavas vormis;
- planeerib ja viib ellu andmeteaduse projekte, võttes arvesse tervet andmete elutsüklit;
- on valmis töötama andmeteadust rakendavates meeskondades sh nii ettevõttes kui ka avalikus sektoris jm, mõistes selgelt oma rolli ja vastutust meeskonnas;
- on valmis jätkama õpinguid doktorantuuris.
Eriala ja kraad
Lõpetamisel väljastatav dokument
Diplom
Antava kraadi nimetus
Tehnikateaduse magister (andmeteadus) 
 MSc
Moodulid
1. Alusmoodul
30 EAP
Valiku põhimõtted
Õppekava läbimiseks tuleb läbida kõik alusmooduli õppeained
Üldeesmärgid
Alusmooduli eesmärk on tutvustada peamisi andmeteaduse kompetentse vastavalt ärivaldkondade ja sektorite ülese andmekaeve protsessi (CRISP-DM) ülesehitusele. Mooduli ained kajastavad CRISP-DM erinevaid komponente ning annavad peamise baasi andmeteaduse rakendamiseks eri valdkondades. CRISPDM:
https://en.wikipedia.org/wiki/Crossindustry_standard_process_for_data_mining Alusmoodul katab sektoriteüleste metoodikate kirjeldused ja peamised komponendid alustades ärivajaduste ja -võimaluste identifitseerimisest, andmete kogumisest, modelleerimisest, puhastamisest, andmeteaduse eri metoodikate (kirjeldavad, ennustavad mudelid, mudelite kvaliteedi hindamine, jne) ülevaatel. Juurutatud mudelite puhul lisanduvad vajalikud oskused andmeteaduse lahenduste juurutamiseks ja nende tulemuste tõlgendamiseks. Alusmoodulis on ka interdistsiplinaarne andmeteaduse eetiliste, privaatsuse ja legaalsete aspektide ning infoturbe IT-tehniliste lahenduste aine.
Õpiväljundid
Alusmooduli läbinud üliõpilane:
- kirjeldab andmete kogu elutsüklit, eristab selle etappe ja annab neist ülevaate;
- tunneb ära ja defineerib üldisel tasandil andmete analüüsiga seotud probleemülesandeid;
- tuvastab ja analüüsib andmete privaatsust puudutavaid juriidilisi ja eetilisi küsimusi majandus-, poliitilises ja sotsiaalses kontekstis;
- kogub iseseisvalt andmeid erinevatest allikatest, hindab kogutud andmete kvaliteeti ning kasutab sobivaid võtteid andmete eeltöötlemiseks (nt andmete puhastamine, rikastamine);
- rakendab masinõppe ja andmekaeve põhialuseid ja -meetodeid andmete analüüsiks;
- valib andmetöötluse tulemuste ja tehtud järelduste esitamiseks ja tutvustamiseks sobivad viisid, võttes arvesse sihtrühma varasemaid teadmisi ja huvi.
●Andmete visualiseerimine ja esitlus ∙ LTAT.02.008
6 EAP
●Andmeteaduse meetodid ∙ LTAT.02.006
6 EAP
●Andmetehnika ∙ LTAT.02.007
6 EAP
●Masinõpe ∙ MTAT.03.227
6 EAP
●Privaatsus ja andmekaitse - eetilised, õiguslikud ja IT aspektid ∙ LTAT.02.009
6 EAP
2. Andmeteaduse ja tehisintellekti meetodid
18 EAP
Valiku põhimõtted
Üliõpilane valib "Andmeteaduse ja tehisintellekti meetodite" moodulist 18 EAP mahus huvipakkuvaid õppeaineid.
Üldeesmärgid
Mooduli eesmärk on anda õppekava läbivale üliõpilasele tugev andmeteaduse
ja tehisintellekti meetodite taust. Mooduli lõpetanud üliõpilased omavad analüütilisemat lähenemist ja tugevat matemaatilist tausta koos praktiliste oskustega neid rakendada.
Õpiväljundid
Mooduli läbinud üliõpilane:
- võrdleb erinevaid andmeteaduse meetodeid ning hindab nende sobivust uue probleemülesande lahendamiseks;
- tunneb erinevaid andmebaasitüüpe (sh SQL, NoSQL);
- teostab päringuid rakendades erinevaid indekseerimise ja päringute optimeerimise meetodeid;6 (14)
- kohaldab ja arendab iseseisvalt edasi 2-3 andmeteaduse meetodit lähtuvalt huvipakkuva rakendusvaldkonna vajadustest ja analüüsitavate andmete sh suurandmete eripärast.
●Andmebaasid edasijõudnutele ∙ LTAT.02.010
6 EAP
●Biostatistika ∙ LTMS.00.015
6 EAP
●Loomuliku keele töötlus ∙ LTAT.01.001
6 EAP
●Masinõpe II ∙ LTAT.02.004
6 EAP
●Mitmemõõtmeline analüüs ∙ MTMS.01.088
6 EAP
●Privaatsust säilitavad tehnoloogiad ∙ LTAT.04.007
6 EAP
●Ruumiandmete analüüs ∙ LTOM.02.053
6 EAP
●Suurandmete haldus ∙ LTAT.02.003
6 EAP
●Tehisnärvivõrgud ∙ LTAT.02.001
6 EAP
●Võrgustike analüüs ∙ LTAT.02.011
6 EAP
3. Suunamoodul
12 EAP
3.1 Suunamoodul I: Andmeteadus äriettevõttes
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Mooduli eesmärk on õpetada teadmisi ja anda oskusi, et identifitseerida äriprobleeme ja ärivõimalusi kasutades ettevõtte äritarkvara süsteemidest pärit andmeid. Üliõpilased omandavad praktikas hästi välja töötatud meetodid äriprobleemide identifitseerimiseks, defineerimiseks ja analüüsiks, kasutades selleks andmeid nii äri huvipoolte kui ka ettevõtete infosüsteemidest. Selle baasil analüüsitakse andmeid, et formuleerida ja valideerida vajalikke hüpoteese ettevõtte ärivõimaluste edendamiseks.
Õpiväljundid
Mooduli läbinud üliõpilane:
- määratleb iseseisvalt äriprobleeme ja -võimalusi, kasutades ettevõtte äritarkvarasüsteemidest pärit andmeid;
- hindab kriitiliselt äriandmete kvaliteeti ning valib sobivaimad meetodid äriandmete eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi äriprobleemide identifitseerimiseks, defineerimiseks ja analüüsiks sobivaid juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ja rakendab neid edukalt uute probleemülesannete
lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab detailseid kokkuvõtteid lähtudes äriandmete analüüsist;
- tunneb piisavalt ärivaldkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada äriandmete analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Ärianalüüs ∙ MTAT.03.310
6 EAP
●Ärianalüütika ∙ MTAT.03.319
6 EAP
●Äriprotsesside kaeve ∙ LTAT.05.025
6 EAP
3.2 Suunamoodul II: Andmeteadus humanitaarias ja sotsiaalteadustes
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Mooduli eesmärk on valmistada ette andmeteaduse oskusi humanitaar- ja sotsiaalteaduste andmete analüüsiks, näiteks õpianalüütika individuaalse õppimise kiiruse ja metoodikate alal, poliitikakujunduse tarbeks, humanitaaria valdkonnaks ettevalmistuseks, mobiilsus- ja geoinfo andmete analüüsiks, sotsiaalvõrgustike analüüsiks, tekstikaeve, muusika ja meedia analüüsiks, jne.
Õpiväljundid
Mooduli läbinud üliõpilane:
- määratleb iseseisvalt probleemülesandeid humanitaaria ja sotsiaalteaduste valdkonna andmetest lähtuvalt;
- hindab kriitiliselt humanitaaria ja sotsiaalteaduste andmete kvaliteeti ning valib sobivaimad meetodid nende eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi probleemülesannete identifitseerimiseks, defineerimiseks ja analüüsiks humanitaaria ja sotsiaalteaduste valdkonnas sobivaid ja juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ning rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab sisukaid kokkuvõtteid humanitaaria ja sotsiaalteaduste andmete analüüsi tulemuste alusel;
- tunneb piisavalt humanitaaria ja sotsiaalteaduste valdkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Andmeteadus ja digihumanitaaria ∙ HVEE.00.016
6 EAP
●E-valitsemine ∙ SHRG.02.024
6 EAP
●Geograafia, kommunikatsioon ja ruumiline mobiilsus ∙ LTOM.02.050
6 EAP
●Majanduspoliitika mõjude hindamine ∙ MJRI.02.086
6 EAP
3.3 Suunamoodul III: Andmeteadus loodus- ja terviseteadustes
12 EAP
Valiku põhimõtted
Suunamooduli valinud üliõpilane peab selles moodulis läbima 12 EAP ehk 2 õppeainet.
Üldeesmärgid
Loodus- ja täppisteadustes ning terviseteadustes on toimumas suur andmepõhine revolutsioon astronoomiast geneetikani, ökoloogiast tööstuse digitaliseerimiseni. Selle mooduli eesmärk on näidata peamisi andmeanalüüsi meetodeid ja lähenemisi loodus- ja täppisteadustes (kaugseire, astronoomia, andmehõive), eluteadustes (bioinformaatika, biostatistika, terviseandmed).10 (14) Rakenduslikult on Eestis algamas personaalmeditsiini lahenduste juurutamine, terviseandmete massiivne analüüs, tervishoiu kulutõhususe ja kvaliteedi analüüs - kõik nõuavad kompetentse suurandmete ja andmeanalüütika vallas.
Selle mooduli läbimisel omandatakse elementaarsed seosed bioteaduse, neuroteaduse ja tervisevaldkonna andmetüüpidest ja nende analüüsi meetoditest koos täiendavate võimalustega astronoomia, kaugseire ja sensorite/füüsikaliste mõõtmiste alal.
Õpiväljundid
Mooduli läbinud üliõpilane:
- määratleb iseseisvalt probleemülesandeid loodus- ja terviseteadustes andmetest lähtuvalt;
- hindab kriitiliselt loodus- ja terviseteaduste andmete kvaliteeti ning valib sobivaimad meetodid nende eeltöötlemiseks, puhastamiseks ja rikastamiseks;
- tunneb süvitsi probleemülesannete identifitseerimiseks, defineerimiseks ja analüüsiks loodus- ja terviseteaduste valdkonnas sobivaid ja juba kasutatavaid andmeteaduse ja tehisintellekti meetodeid ning rakendab neid edukalt uute probleemülesannete lahendamisel;
- teeb põhjendatud üldistusi ja järeldusi ning koostab detailseid kokkuvõtteid, lähtudes loodus- ja terviseteaduste andmete analüüsi tulemustest;
- tunneb piisavalt loodus- ja terviseteaduste valdkonna sõnavara, et osaleda valdkonna ekspertide vahelistes diskussioonides ning tutvustada analüüsi tulemusi ja tehtud järeldusi teistele valdkonna ekspertidele neile mõistetavas vormis.
●Andmeteadus astronoomias ∙ LTTO.00.028
6 EAP
●Andmeteadus kaugseires ∙ LTTO.00.027
6 EAP
●Arvutuslik neuroteadus ∙ MTAT.03.291
6 EAP
●Tehislik ja loomulik mõistus ∙ LTAT.02.024
6 EAP
●Bioinformaatika ∙ MTAT.03.239
6 EAP
●Terviseandmete analüütika ∙ LTAT.02.013
6 EAP
4. Valikained
24 EAP
4.1 Valikained
24 EAP
Valiku põhimõtted
Üliõpilane valib lähtuvalt oma varasemast kogemusest 24 EAP ulatuses õppeaineid, mis oluliselt täiendavad tema varasemaid oskusi programmeerimise, andmebaaside, statistika, ja äri valdkondades. Kui soovitud aine ei kuulu valikainete loetellu, siis tuleb sellest eelnevalt konsulteerida programmijuhiga.
Üldeesmärgid
Selle mooduli ainete hulgast valib üliõpilane oma individuaalset tausta arvestades piisavas mahus aineid, mis võimaldavad tal õppekava edukalt sooritada. Eesmärk
on tagada, et igaühel on olemas hädavajalik miinimumtaust programmeerimise, andmebaaside, statistika, ja äri valdkondades, et õppekava edukalt läbida. Kõikides
moodulites leidub ka teiste õppekavade mahukaid keerulisemaid magistriaineid, mis võimaldavad kõigile leida piisavalt väljakutseterohke "tasanduse" ja eeldusained. Vastavalt üliõpilaste taustale oleme valmis seda varieerima, et kõik saaks endale piisava väljakutsega aineid valida.
Õpiväljundid
Mooduli läbinud üliõpilane:
- omab piisavalt infotehnoloogilisi teadmisi programmeerimises, andmebaaside ülesehituses, statistikas ja ärivaldkonnas, et ülejäänud õppekava edukalt läbida;
- rakendab informaatika, matemaatika ja statistika põhialuseid erinevates olukordades probleemi lahendamiseks.
●Aegridade analüüs ∙ MTMS.01.023
6 EAP
●Algebra I ∙ MTMM.00.038
6 EAP
●Algoritmid ja andmestruktuurid ∙ LTAT.03.005
6 EAP
●Algoritmika ∙ MTAT.03.238
6 EAP
●Andmeanalüüs I ∙ MTMS.01.069
3 EAP
●Andmeanalüüs II ∙ MTMS.01.007
6 EAP
●Andmebaasid ∙ LTAT.03.004
6 EAP
●Andmebaasid ∙ LTAT.02.021
6 EAP
●Andmehaldurid ja andmehalduse põhimõtted ∙ LTAT.02.014
6 EAP
●Arukad transpordisüsteemid ∙ MTAT.08.040
6 EAP
●Digitootejuhtimise ettevõtlusprojekt ∙ LTAT.05.019
6 EAP
●E-valitsemine ∙ SHRG.02.024
6 EAP
●Eesti keele töötlus Pythonis ∙ LTAT.01.006
6 EAP
●Erikursus masinõppes ∙ MTAT.03.317
24 EAP
●Geenitehnoloogia statistilised mudelid ∙ MTMS.01.067
3 EAP
●Hägus loogika ja ligikaudsed arvutusmeetodid ∙ LTAT.02.005
6 EAP
●Infoturve ∙ MTAT.07.028
3 EAP
●Kliendisuhete juhtimine ja analüüs ∙ SVMJ.09.002
6 EAP
●Kujundituvastuse alused ∙ LOTI.05.046
6 EAP
●Kõrgem matemaatika I ∙ MTMM.00.340
6 EAP
●Kõrgem matemaatika II ∙ MTMM.00.341
6 EAP
●Loomuliku keele töötlus ∙ LTAT.01.001
6 EAP
●Matemaatiline maailmapilt ∙ MTMM.00.342
6 EAP
●Mitmemõõtmeline analüüs ∙ MTMS.01.088
6 EAP
●Monte-Carlo meetodid ∙ MTMS.01.033
6 EAP
●Muusika andmeanalüütika ∙ LTAT.02.015
6 EAP
●Objektorienteeritud programmeerimine ∙ LTAT.03.003
6 EAP
●Operatsioonide ja tarneahela juhtimine ∙ SVMJ.03.010
6 EAP
●Pilvetehnoloogia ∙ LTAT.06.008
6 EAP
●Programmeerimine ∙ LTAT.03.001
6 EAP
●Rahvusvaheline digiinnovatsiooni projekt ∙ LTAT.05.024
6 EAP
●Seletatav automatiseeritud masinõpe ∙ LTAT.02.023
6 EAP
●Statistiline andmeteadus ja visualiseerimine ∙ MTMS.01.100
3 EAP
●Tarkvaraanalüütika ∙ LTAT.05.008
3 EAP
●Tarkvaratoodete juhtimine ∙ MTAT.03.325
6 EAP
●Tehisintellekt ∙ LTAT.01.003
6 EAP
●Tekstikorpused ja nende analüüs ∙ HVEE.04.007
3 EAP
●Transformerid ∙ MTAT.06.055
6 EAP
●Tõenäosusteooria ja matemaatiline statistika ∙ MTMS.02.059
6 EAP
●Uurimis- ja analüüsimeetodid kultuurikorralduses ∙ HVKU.03.008
6 EAP
●Äriprotsesside juhtimine ∙ MTAT.03.231
6 EAP
4.2 Valikainetemooduli alammoodul - välisõppe moodul
15 EAP
Valiku põhimõtted
Välismaal läbitavate ainepunktide miinimummaht on vähemalt 15 EAP semestris
5. Praktikamoodul
18 EAP
Valiku põhimõtted
Üliõpilasel tuleb läbida 18 EAP mahus praktika aineid
Üldeesmärgid
Praktikamooduli eesmärgiks on võimaldada üliõpilastel rakendada omandatud teadmisi erinevates valdkondades nii era- kui ka avalikus sektoris.
Õpiväljundid
Mooduli läbinud üliõpilane:
- kavandab iseseisvalt oma praktikaainete läbimisel teostatavaid ülesandeid, küsides sisendit meeskonnaliikmetelt ja õppejõududelt;
- rakendab õppekava täitmisel omandatud oskusi reaalsetes tingimustes;
- töötab andmeteaduse valdkonna õppe- või teadustööd tegevas meeskonnas, mõistes oma rolli ja vastutust meeskonna kontekstis;
- analüüsib täidetud tehnilisi, didaktilisi ja teaduslikke ülesandeid;
- esitleb saavutatud tulemusi meeskonnaliikmetele ja kaasüliõpilastele;
- jagab oma kogemusi ja annab tagasisidet kaasüliõpilastele.
●Andmeteaduse projekt ∙ LTAT.00.009
6 EAP
●Hackathon'idel osalemine ∙ MTAT.03.324
3 EAP
●Hajussüsteemide projekt ∙ LTAT.00.010
6 EAP
●Praktika informaatikas ∙ MTAT.03.206
12 EAP
●Praktika informaatikas ∙ MTAT.03.237
6 EAP
●Sissejuhatus tarkvaraettevõtlusse ∙ MTAT.03.293
3 EAP
●Tarkvaraettevõtluse projekt ∙ MTAT.03.278
12 EAP
●Õppemetoodiline töö ∙ MTAT.00.023
6 EAP
●Õppemetoodiline töö ∙ MTAT.00.028
3 EAP
6. Magistritöö moodul
18 EAP
Valiku põhimõtted
Üliõpilasel on kohustus läbida magistriseminar ning valida üks kahest magistritöö või magistrieksam.
Üldeesmärgid
Mooduli eesmärgiks on anda üliõpilastele kogemus rakendada õppekavas omandatud erialaseid oskusi iseseisvas teadus- ja/või arendustöös.
Õpiväljundid
Mooduli läbinud üliõpilane:
- leiab ja analüüsib uut andmeteaduse alast infot, püstitab hüpoteese ning loob kogutud andmetest uusi erialaseid teadmisi;
- teeb teaduslikku uurimistööd meeskonnas, tajudes oma rolli ja vastutust meeskonna kontekstis;
- rakendab õppekava läbimisel omandatud teadmisi andmeteaduse probleemide sõnastamisel ja uuringute läbiviimisel;
- teeb andmete analüüsil tuginevaid põhjendatud üldistusi ja järeldusi;
- esitleb tehtud järeldusi arusaadavalt nii kirjalikult kui ka suuliselt;
- tutvustab avalikul esitlusel andmeteaduse alase uurimistöö tulemusi selgelt ning selgitab oma seisukohti arusaadavalt ja argumenteeritult.
●Magistrieksam ∙ LTAT.00.017
15 EAP
●Magistritöö ∙ LTAT.00.019
15 EAP
●Magistritöö seminar ∙ LTAT.00.018
3 EAP
Üldinfo
Õppekava kood
214386
Nominaalkestus aastates
2
Õppekava maht
120 EAP
Õppekava nimetus
Andmeteadus
Õppekava nimetus inglise keeles
Data Science
Õppekava nimetus omastavas käändes
Andmeteaduse
Õppekava versioon
2022/2023
Sihtstipendiumide arv
-
Päevaõppe õppekohad
75
Sessioonõppe õppekohad
-
Õppekohtade koguarv
75
Liigitus
Õppeaste
Magistriõpe
Õppekava EHIS-e tase
614 magistriõpe (3+2)
Õppesüsteem
Ainesüsteem
Õppevorm
Päevaõpe
Õppevaldkond
Informatsiooni- ja kommunikatsioonitehnoloogiad
Õppesuund
Informatsiooni- ja kommunikatsioonitehnoloogia interdistsiplinaarne õppesuund
Õppekavarühm
Informatsiooni- ja kommunikatsioonitehnoloogia interdistsiplinaarne õppekavarühm
Õppekavagrupp
Informaatika ja infotehnoloogia
Valdkond
Loodus- ja täppisteaduste valdkond (LT)  Koordineerija
Õppekava haldajad
Arvutiteaduse instituut (LTAT)  Koordineerija
Programminõukogu
Näita kõiki (17) 
BL
Brandon Loorits
01.09.2022
Üliõpilane
ES
Elena Sügis
01.09.2022
Lektor
IU
Ilmar Uduste
01.09.2022
Vilistlane
Näita rohkem sisu
+ 10
Programmijuht
JV
Jaak Vilo
31.08.2020
VÕTA komisjon
JV
Jaak Vilo
 Esimees
KT
Kuldar Taveter
MK
Meelis Kull
Näita rohkem sisu
+ 1
VÕTA nõustaja
Näita kõiki (4) 
JS
Jaanika Seli
Loodus- ja täppisteaduste valdkond (LT)
KL
Käbi Laan
Loodus- ja täppisteaduste valdkond (LT)
TT
Tiiu Taur
Loodus- ja täppisteaduste valdkond (LT)
Õppekava õppijaid nõustav õppekorralduse spetsialist
Näita kõiki (5) 
JS
Jaanika Seli
01.06.2022
KL
Käbi Laan
24.04.2023
ÜH
Ülle Holm
01.06.2022
Kinnitamine
Õppekava versiooni kinnitaja
Valdkonna nõukogu
Õppekava versiooni kinnitamise kuupäev
04.03.2022
Ülikooli senatis õppekava kinnitamise kuupäev
27.09.2019
HTM-i õppekavade registrisse kandmise kuupäev
22.11.2019
Õppe läbiviimise õigus õppekavagrupis
Tähtajatu
Õppekavagrupi kvaliteet hinnatud kuni
ÕIS
ÕISi tutvustav video
ÕISi kasutustingimused
ÕISi info ja abi
Moodle
Siseveeb
Üldinfo
Tartu Ülikooli kontaktid
Arvutiabi iseteenindus
EU logos
Andmekaitse
ÕIS II – 1.5.0
`;

t1Koodid = t1.match(/\w\w\w\w\.\d\d\.\d\d\d/g);
t2Koodid = t2.match(/\w\w\w\w\.\d\d\.\d\d\d/g);


console.log(t1Koodid);
console.log(t2Koodid);

arr1 = t1Koodid;
arr2 = t2Koodid;

difference = arr1.filter(x => !arr2.includes(x));
difference2 = arr2.filter(x => !arr1.includes(x));

console.log(difference);
console.log(difference2);