Ero sivun ”Opintojen malliaikataulu” versioiden välillä

← Vanhempi muutos

Opintojen malliaikataulu (näytä wikiteksti)

Versio 7. syyskuuta 2023 kello 17.59

4 350 merkkiä lisätty , 8 kuukautta sitten

Migrate old edit by user Reetu

Hexjoona

byrokraatit, ylläpitäjät

75

muokkausta

@@ Rivi 1: / Rivi 1: @@
 [[Category:Vaatii_päivityksen]]
+<strong style="color:red;font-size:1rem">TÄMÄ SIVU ON VANHENTUNUT, KATSO MALLIAIKATAULU YLIOPISTON SIVUILTA ALLA OLEVASTA LINKISTÄ</strong>
+Mallilukujärjestys löytyy laitoksen sivuilta osoitteessa https://www.helsinki.fi/fi/koulutusohjelmat/tietojenkasittelytieteen-kandiohjelma/opiskelu/tietojenkasittelytieteen-opintojen-rakenne-ja-aikataulu
-Mallilukujärjestys löytyy laitoksen sivuilta osoitteessa https://www.helsinki.fi/fi/ohjelmat/kandi/tietojenkasittelytieteen-kandiohjelma/opintojen-rakenne
 == Mallilukujärjestys? ==
+{{katso myös|Fuksisyksyn mallilukujärjestys}}
 Mallilukujärjestys kertoo, miten kursseja pitää ottaa, jotta valmistuisi kolmessa vuodessa luonnontieteen kandidaatiksi ilman suurempia vaikeuksia. Käpistelykurssit riippuvat tiedollisesti toisistaan varsin paljon, joten oikeaan suoritusjärjestykseen pitää kiinnittää huomiota enemmän kuin muissa aineissa. Formaalisti (matemaattisesti) ilmaistut teoria-asiat ovat myös varsin haastavia, varsinkin jos pohjalla ei ole pitkän matematiikan tai muiden muodollista ajattelua kehittävien aineiden opintoja lukiosta. Koneet eivät tajua epätäsmällistä selitystä, joten meidän pitää opetella muotoilemaan asioita mahdollisimman yksiselitteisesti ja etenemään systemaattisesti. Matematiikka opettaa formaalia ajattelua, ja siksi siitä meuhkataan niin paljon.
@@ Rivi 16: / Rivi 16: @@
 Mikäli ensimmäisen syksyn keskeiset kurssit takkuavat, ei kannata iskeä kirvestä kiveen vaan ottaa käyttöön [[Sivuainekuvauksia]].
-* Katso myös erityinen [[mallilukujärjestys ensimmäiselle syksylle]]
 == Kriittinen polku ja kurssien riippuvuudet ==
@@ Rivi 48: / Rivi 46: @@
 |-
 |}
+Katso myös [[Fuksisyksyn_mallilukujärjestys]]
 Ensimmäisen vuoden keväänä on myös hyvä suorittaa tietokantasovellus -harjoitustyö (4 op) ja/tai toinen kotimainen kieli (3 op).
 Suunnitellessaan opintojaan on hyvä tarkistaa harjoitustöiden esitietovaatimukset.
 === 2. vuosi ===
@@ Rivi 69: / Rivi 69: @@
 Toisen vuoden aikana on viimeistään tehtävä ensimmäinen harjoitustyö, eikä ole huono idea suorittaa toistakin.
-Jos toisen ja kolmannen vuoden välisenä kesänä on aikaa ei ohjelmistotuotantoprojektin suorittaminen silloin ole hassumpi ajatus.
+Jos toisen ja kolmannen vuoden välisenä kesänä on aikaa eli ohjelmistotuotantoprojektin suorittaminen silloin ole hassumpi ajatus.
 === 3. vuosi ===
@@ Rivi 87: / Rivi 87: @@
 == Mallilukujärjestyksen tulkitseminen ensimmäisenä vuotena ==
+{{katso|Fuksisyksyn mallilukujärjestys}}
-Tätä varten katso [https://fuksiwiki.tko-aly.fi/Fuksisyksyn_mallilukuj%C3%A4rjestys Fuksisyksyn mallilukujärjestys]
 == Matematiikan ja menetelmätieteen sovittaminen malliaikatauluun ==
@@ Rivi 130: / Rivi 129: @@
 . vuodella sitomatonta tilaa sekä syksyllä että keväällä 20 op. Käy niitä mitä et ole vielä käynyt, ja tarkastele viimeistään tässä vaiheessa myös linjaspesifejä matematiikan kurssisuosituksia (jos niitä on).
+== Matematiikkaa datatieteeseen ja tekoälyyn ==
+=== Pakolliset ===
+Jos siirryt tkt:ltä Datatieteen maisteriohjelmaan sinun täytyy sisällyttää kanditutkintoosi (tarkistettu 03.09.2019):
+* MAT12003 Todennäköisyyslaskenta (5 op) I
+* 5 op tilastotiedettä
+''Vaatimuksena on, että kanditutkintoon on sisällytetty MAT12003 Todennäköisyyslaskenta (5 op) I ja 5 op tilastotiedettä (esimerkiksi MAT12001 Tilastotiede tutuksi ja R-ohjelmisto tai MAT12004 Tilastollinen päättely I).'' [https://guide.student.helsinki.fi/fi/node/405?degree_programme_code=KH50_005 lähde]
+=== Epävirallisia suosituksia ===
+Monelle on tullut maisterivaiheen kursseihin siirtyessä yllätyksenä se, kuinka paljon matematiikkaa ja tilastotiedettä on osattava, jotta voi pärjätä datatiede- ja koneoppimislinjoilla. Siksi tähän on koostettu lista kursseista joiden avulla saa varmistettua riittävän osaamistason. Tällaista kokonaisuutta ei ole missään aiemmin ollut listattuna. Kurssilistaus on luotu perustuen keskusteluihin DS/AI (Datatiede ja tekoäly) linjojen opiskelijoiden, yhden sen linjan professorin ja yhden tilastotieteen professorin kanssa. Vaikka otsikon mukaisesti ohje on erityisesti datatieteen ja tekoälyn opiskeluun tähtääville, valmistaa tällaisen kokonaisuuden opiskelu useampaankin maisterivaiheen linjaan.
+'''DISCLAIMER: ''' Tämä lista ei tarkoita sitä, että "nämä kaikki on pakko käydä tai tulet failaamaan, jos tähtäät data science -maisterilinjalle. Näistä kursseista on hyötyä data science aiheiden ymmärtämisessä. Erityisesti tilastotieteen kurssit ovat hyödyllisiä. Matematiikkaa taas tarvitaan tilastotieteen kurssien syvällisempään ymmärtämiseen. Tätä listaa on tarkoitus tarkentaa lisäämällä kunkin kurssin kohdalle jonkinlaista infoa kurssin tärkeydestä: ts. "ihan hyödyllinen" vai "puoli-pakollinen". Myös kurssien aiheiden suhteista Data Scientistin työssä vastaantuleviin haasteisiin on keskusteltu ja suunnitelmissa on rakentaa jonkinnäköinen materiaali, joka vastaa kysymyksiin, kuten ''"Mihin tätä linistä/raja-arvoja/sarjoja/jne oikein tarvii?"''. Opintovastaavat auttavat osoitteissa #tkt-apu tai opintovastaava@tko-aly.f, jos askarruttaa.
+* DATE-opintokokonaisuus DAtatieteeseen ja TEkoälyyn
+** Johdatus yliopistomatematiikkaan (kaikille pakollinen)
+** Algebran kurssit
+*** Lineaarialgebra ja matriisilaskenta 1
+*** Lineaarialgebra ja matriisilaskenta 2
+*** Algebralliset rakenteet 1
+*** Algebralliset rakenteet 2
+** Analyysin kurssit
+*** Raja-arvot
+*** Differentiaalilaskenta
+*** Integraalilaskenta
+*** Sarjat
+*** Vektorianalyysi 1
+** Tilastotieteen kurssit
+*** Tilastotiede ja R tutuksi 1 (Tilastotiede)
+*** Tilastotiede ja R tutuksi 2 (Tilastotiede)
+*** Todennäköisyyslaskenta 1 (Matematiikka / Tilastotiede)
+*** Todennäköisyyslaskenta 2a (Matematiikka / Tilastotiede)
+*** Todennäköisyyslaskenta 2b (Matematiikka / Tilastotiede)
+*** Tilastollinen päättely 1 (Tilastotiede)
+*** Tilastollinen päättely 2 (Tilastotiede)
+Jotta esitiedot ovat riittävän hyvin hallussa, kannattaa kurssit suorittaa tietyssä järjestyksessä. Perusperiaatteena on, että JYM, Algebran kurssit ja Analyysin kurssit voi suorittaa rinnakkain, kuitenkin niin että Vektorianalyysi edellyttää Lineaarialgebran osaamista. Tilastotiede ja R tutuksi sopii käytäväksi milloin vain mahtuu lukujärjestykseen (esitietona jonkinlainen lukiomatematiikan osaaminen). Todennäköisyyslaskenta 1, jonka osaamisen on oltava hallussa ennen muita mainittuja tilastotieteen kursseja, sopii parhaiten suoritettavaksi kun matematiikka on muuten hallussa.
+=== Aikataulu ===
+Seuraava taulukko (erään opiskelijan hops-excelistä) voi olla avuksi opintojen suunnittelussa:
+* Tässä siis haluttu suorittaa matematiikan analyysin kurssit putkeen sekä tilastotieteen perusopinnot samaan tapaan.
+[[Tiedosto:Mathstat_perusopinto_aikataulut.png|none|frame|600px]]
+'''HUOM:''' Datatieteen maisterin tutkinnossa (2019) tilaa 35op "Muille opinnoille", mitkä voivat olla sekä kandi että maisteritason kursseja. TKT maisterissa vastaavasti 40op.
+== Kaavio DATE-kurssien välisistä riippuvuuksista ==
+[[Tiedosto:DATE_opinnot_v3.png|none|800px]]