Created
August 18, 2023 08:40
-
-
Save kristjanvariksoo/0fbe2a52efc30d052fb2387b06582d61 to your computer and use it in GitHub Desktop.
UT Moodle kahe õppekava ainete võrdlemine
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
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); |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment