Tietojenkäsittelytieteen maisterin tutkinto

Tämä opetussuunnitelmakartta havainnollistaa opiskelijoiden kompetenssien asteittaista kehittämistä tietotekniikan hallinnan maisteriohjelmassa ja näyttää, kuinka kukin kurssi esittelee (I), kehittää (D) tai saa opiskelijat hallitsemaan (M) seitsemän ohjelman oppimistulosta. (PLO:t), joka huipentuu huippukurssiin, jossa opiskelijat osoittavat hallitsevansa kaikki tulokset.

• TECH 500: Eettiset haasteet teknologian hallinnassa
• BUS 5203: Data Analytics
• BUS 5213: Tietojen käsittely päätöksentekoa varten
• TECH 575: Big Data Analytics for IoT
• TECH 615: Applied AI: Solutions for Business
• TECH 630: Advanced AI for Business Insights ja päätöksenteko
• BUS 5223: Johtavat dataanalyysiprojektit
• TECH 643: Tilastolliset menetelmät
• TECH 674: Kvantitatiiviset menetelmät
• TECH 699: Data Science and Analytics Capstone Project

Core-luokat

TECH 500: Eettiset haasteet teknologian hallinnassa

Tämä kurssi keskittyy valmistamaan johtajia ratkaisemaan monimutkaisia eettisiä ongelmia teknologian hallinnassa. Kurssilla painotetaan raamatullisia arvoja ja käytännön ratkaisuja nykyajan haasteisiin. Opiskelijat tutkivat eettisiä järjestelmiä kristillisen maailmankuvan kautta, analysoivat tapaustutkimuksia ja kehittävät taitoja tehdä järkeviä moraalisia arvioita. Kurssin loppuun mennessä osallistujat ovat valmiita käsittelemään teknologiajohtajuuden eettisiä kysymyksiä rehellisesti ja uskoon perustuvasta näkökulmasta.

Kurssin opiskelijan oppimistulokset

• SLO 1: Analysoi monimutkaisia eettisiä pulmia teknologian hallinnassa käyttämällä erilaisia eettisiä puitteita, mukaan lukien kristillinen maailmankuva. (PLO 3, PLO 4)
• SLO 2: Arvioi uusien teknologioiden vaikutuksia eettiseen päätöksentekoon IT-johtajissa. (PLO 3, PLO 4)
• SLO 3: Syntetisoi Raamatun periaatteet nykyajan eettisiin haasteisiin kehittääksesi uskoon perustuvia ratkaisuja teknologian hallinnassa. (PLO 3, PLO 5)
• SLO 4: Kehitä ja muotoile järkeviä moraaliarvioita teknologiaetiikan tapaustutkimuksia varten, jotka osoittavat kriittistä ajattelua ja tehokasta viestintää. (PLO 1, PLO 3)
• SLO 5: Luo henkilökohtainen eettinen kehys teknologian hallinnan haasteisiin vastaamiseksi, jotka yhdistävät ammatilliset standardit kristillisiin arvoihin. (PLO 3, PLO 5)

BUS 5203: Data Analytics

Opiskelijat pääsevät tutustumaan yritysmaailman data-analyyttisiin käytäntöihin, kuten siihen, miten dataa luodaan, tallennetaan ja käytetään sekä miten organisaatiot hyödyntävät dataa ja luovat analytiikkaan kannustavia ympäristöjä.

Kurssin opiskelijan oppimistulokset

• SLO 1: Ymmärrä yritysanalyytikoiden analytiikka-ajattelutapa. (PLO 2, PLO 4)
• SLO 2: Ymmärrä tilaston ja data-analytiikan peruskäsitteet. (PLO 2, PLO 4)
• SLO 3: Käytä Data Analytics -tekniikoita vastataksesi tietojoukkoa koskeviin kysymyksiin. (PLO 4)
• SLO 4: Analysoi liiketoimintapäätökset data-analytiikkatekniikoilla. (PLO 4)
• SLO 5: Arvioi eettisiä päätöksiä data-analytiikan alalla uskon integroinnilla. (PLO 5)
• SLO 6: Luo ja suorita data-analytiikkaprojekti vastataksesi alkuperäiseen kysymykseen tietyllä tieteenalalla. (PLO 2, PLO 4, PLO 5)

BUS 5213: Tietojen käsittely päätöksentekoa varten

Ymmärtää kuinka kerätä ja hyödyntää dataa päätöksenteossa analyyttisten tekniikoiden (tiedonlouhinta, ennakoiva analytiikka ja koneoppimisalgoritmit) avulla löytääksesi dataelementtien välisiä suhteita. Opiskelija oppii keräämään asianmukaista dataa ja analysoimaan sitä, jotta päättäjät ymmärtävät paremmin dataa ja sen hallintasovellusta.

Kurssin opiskelijan oppimistulokset

• SLO 1: Hanki tiedonhallintataidot tietojen hallintaan. (PLO 2, PLO 4)
• SLO 2: Hanki analytiikkataitoja ja työkaluja tietojen ymmärtämiseen. (PLO 2, PLO 4)
• SLO 3: Opi ymmärtämään datalähtöistä päätöksentekoa ja kuinka käsitellä epävarmuutta. (PLO 2, PLO 4)
• SLO 4: Kehitä datalähtöinen ajattelutapa, joka auttaa yrityksiä toimimaan datan perusteella. (PLO 2, PLO 4)
• SLO 5: Kehitä tiedon esittämisen taitoja päätöksentekoa varten. (PLO 1, PLO 2)

TECH 575: Big Data Analytics for IoT

Tämä kurssi esittelee opiskelijat Apache Sparkiin, tehokkaaseen suureen tietojenkäsittelyjärjestelmään, keskittyen sen sovelluksiin laajamittaisten tietojoukkojen analysoinnissa. Opiskelijat oppivat hyödyntämään Sparkin ominaisuuksia Pythonin avulla korostaen uusinta Spark 2.0 DataFrame -syntaksia. Opetussuunnitelma kattaa edistyneet tiedonkäsittelytekniikat, MLlibiä käyttävät koneoppimissovellukset ja todelliset ongelmanratkaisuskenaariot.

Opiskelija oppimistulokset

• SLO 1: Syntetisoi Python-ohjelmointi ja Apache Spark -kehykset kehittyneiden big data -analyysiratkaisujen suunnittelua ja toteuttamista varten. (PLO 2, PLO 4)
• SLO 2: Arvioi ja käytä Spark 2.0 DataFrame -syntaksia monimutkaisten tietojenkäsittelytehtävien optimoimiseksi ja analyyttisen tehokkuuden parantamiseksi. (PLO 2, PLO 4)
• SLO 3: Luo ja arvostele kehittyneitä koneoppimismalleja Sparkin MLlib:n avulla, mukaan lukien logistinen regressio, satunnaiset metsät ja gradientilla tehostetut puut todellisten luokitusongelmien ratkaisemiseksi. (PLO 2, PLO 4)
• SLO 4: Kehitä ja arvioi innovatiivisia luonnollisen kielen käsittelysovelluksia, kuten roskapostisuodattimia, hyödyntäen Sparkin ominaisuuksia tekstin analysointiin ja luokitteluun. (PLO 1, PLO 2 ja PLO 4)
• SLO 5: Muotoile big datan analytiikan eettiset puitteet, jotka yhdistävät kristilliset taloudenhoito- ja yksityisyyden periaatteet ja tutkivat kriittisesti laajamittaisten data-analyysitekniikoiden yhteiskunnallisia vaikutuksia. (PLO 3, PLO 5)

TECH 615: Applied AI: Solutions for Business

Tämä kurssi tarjoaa kattavan johdannon tekoälyyn (AI), jossa tutkitaan sen muutosvaikutuksia eri toimialoilla ja vastataan tekoälytaitojen kasvavaan maailmanlaajuiseen kysyntään. Opiskelijat perehtyvät viimeaikaiseen kehitykseen syväoppimisessa, vahvistusoppimisessa, luonnollisen kielen käsittelyssä, tietokonevisiossa ja robotiikassa samalla kun he saavat käytännön kokemusta nykyaikaisista syväoppimiskehyksistä, kuten Kerasista.

Opiskelija oppimistulokset

• SLO 1: Arvioi tekoälyn vaikutusta eri toimialoille, analysoi nykytrendejä ja ennakoi alan tulevaa kehitystä. (PLO 2, PLO 4)
• SLO 2: Suunnittele ja toteuta keinotekoisia hermoverkkoja monimutkaisten liiketoimintaongelmien ratkaisemiseksi, kuten asiakkaiden vaihtuvuuden ennustaminen ja osakekurssien ennustaminen. (PLO 2, PLO 4)
• SLO 3: Kehitä edistyneitä tekoälymalleja käyttämällä konvoluutio- ja toistuvia hermoverkkoja kuvantunnistukseen ja aikasarjaanalyyseihin todellisessa liiketoiminnassa. (PLO 2, PLO 4)
• SLO 4: Luo ja arvioi suositusjärjestelmiä ja luonnollisen kielen prosessointisovelluksia osoittaen kykyäsi soveltaa tekoälyä asiakaskokemuksen ja liiketoiminnan parantamiseen. (PLO 2, PLO 4)
• SLO 5: Syntetisoi tekoälyn toteutuksen eettiset näkökohdat taloudenhoitoa ja ihmisarvoa koskeviin kristillisiin periaatteisiin ja muotoile vastuullisia tekoälystrategioita yrityssovelluksiin. (PLO 3, PLO 5)

TECH 630: Advanced AI for Business Insights ja päätöksenteko

Tämä kurssi tarjoaa muuttavan näkökulman tekoälyn vaikutuksiin liike-elämässä ja korostaa tekoälyn osaamisen kriittistä roolia, mukaan lukien generatiiviset tekoälyt, kuten Large Language Models, nykypäivän tietovetoisessa taloudessa. Se keskittyy tunnistamaan, arvioimaan ja hyödyntämään liiketoimintaanalytiikan mahdollisuuksia käyttämällä sekä yksityisiä että julkisia tietolähteitä.

Opiskelija oppimistulokset

• SLO 1: Syntetisoi monimutkaisia tietojoukkoja luodaksesi innovatiivisia liiketoimintaratkaisuja, jotka osoittavat edistyneitä analyyttisiä ominaisuuksia tekoälypohjaisissa yhteyksissä. (PLO 2, PLO 4)
• SLO 2: Arvioi tekoälyn hallinnan ja sovellusten tämänhetkisiä suuntauksia ja kritisoi niiden mahdollista vaikutusta eri liiketoiminta-aloihin. (PLO 2, PLO 4)
• SLO 3: Suunnittele ja arvioi kriittisesti erilaisia tekoäly- ja tiedonlouhintamalleja ja perustele niiden soveltuvuutta tiettyihin liiketoimintaskenaarioihin. (PLO 2, PLO 4)
• SLO 4: Muotoile yhteistyöstrategioita todellisten liiketoimintahaasteiden muuntamiseksi toimiviksi tekoälymalleiksi, jotka osoittavat tiimityöskentelyä ja ongelmanratkaisutaitoja. (PLO 2, PLO 5)
• SLO 5: Kehitä ja puolusta tehokkaita liiketoimintaanalytiikkastrategioita integroimalla tekoälytekniikoita nykyaikaisten liiketoimintaongelmien ratkaisemiseksi. (PLO 2, PLO 4)
• SLO 6: Luo eettiset puitteet tekoälyn käyttöönotolle liiketoiminnassa, joka on linjassa kristillisten taloudenhoito- ja sosiaalisen vastuun periaatteiden kanssa ja tarkastelee kriittisesti tekoälyyn perustuvan päätöksenteon moraalisia vaikutuksia organisaatioissa. (PLO 3, PLO 5)

BUS 5223: Johtavat dataanalyysiprojektit

Tämä kurssi paljastaa opiskelijat liiketoimintatiedon ja data-analytiikan toimivuuden kriittisille osille päätöksenteon ja laadun parantamiseksi organisaatiossa. Erityisesti opiskelijat oppivat ottamaan liiketoimintatiedon konsultin roolin ja soveltamaan data-analytiikkatekniikoita liiketoiminnan päätöksentekoon.

Opiskelija oppimistulokset

• SLO 1: Ymmärrä data-analytiikan alan keskeiset termit ja käsitteet. (PLO 2, PLO 4)
• SLO 2: Tunnista ammatissa tarvittavat keskeiset analyyttiset taidot. (PLO 2, PLO 4)
• SLO 3: Esitä tiedot graafisesti. (PLO 1, PLO 2)
• SLO 4: Käytä liiketoimintaanalytiikan käsitteitä ja tekniikoita. (PLO 2, PLO 4, PLO 5)

TECH 643: Tilastolliset menetelmät

Tämä kurssi tarjoaa kattavan tutkimuksen perustavanlaatuisista ja edistyneistä tilastotekniikoista, jotka ovat välttämättömiä tietojen analysoinnissa ja päätöksenteossa eri aloilla. Tämä kurssi kattaa kuvaavat tilastot, todennäköisyysteorian, otantajakaumat, hypoteesien testauksen ja päättelytilastot. Opiskelijat perehtyvät regressioanalyysiin, joka sisältää yksinkertaisen ja moninkertaisen lineaarisen regression, sekä johdannon logistiseen regressioon. Opetussuunnitelma sisältää myös varianssianalyysin (ANOVA), kokeiden suunnittelun ja ei-parametriset menetelmät. Koko kurssin aikana painotetaan sekä teoreettista ymmärtämistä että käytännön soveltamista tilastoohjelmistojen, kuten R tai SAS, avulla. Opiskelijat työskentelevät reaalimaailman tietojoukkojen kanssa kehittääkseen taitojaan tietojen käsittelyyn, tilastolliseen mallinnukseen ja tulosten tulkintaan. Kurssin loppuun mennessä osallistujat saavat vankan tilastollisen työkalupaketin ja kyvyn valita ja soveltaa sopivia menetelmiä monimutkaisten analyyttisten haasteiden ratkaisemiseksi eri tieteenaloilla. Edellytyksiä ovat algebran peruskäsitteet ja tilastolliset peruskäsitteet.

Opiskelija oppimistulokset

• SLO 1: Osoita taitoa soveltaa perustavanlaatuisia ja edistyneitä tilastotekniikoita tietojen analysointiin ja päätöksentekoon eri aloilla. (PLO 2, PLO 4)
• SLO 2: Suorita ja tulkitse hypoteesitestejä ja päättelytilastoja tarkasti. (PLO 2, PLO 4)
• SLO 3: Suorita regressioanalyysejä, mukaan lukien yksinkertainen ja moninkertainen lineaarinen regressio ja logistinen regressio. (PLO 2, PLO 4)
• SLO 4: Käytä varianssianalyysiä (ANOVA), kokeiden suunnittelua ja ei-parametrisiä menetelmiä sopiviin tietokokonaisuuksiin. (PLO 2, PLO 4)
• SLO 5: Integroi kristilliset etiikan ja taloudenhoitoperiaatteet tilastollisten menetelmien soveltamiseen, tunnustaen vastuun käyttää data-analyysiä yhteiskunnan parantamiseksi ja raamatullisten arvojen mukaisesti. (PLO 3, PLO 5)

TECH 674: Kvantitatiiviset menetelmät

Tämä kurssi tarjoaa kattavan johdannon olennaisiin kvantitatiivisiin menetelmiin ja tilastollisiin tekniikoihin, joita käytetään nykyaikaisessa datatieteessä. Opiskelijat kehittävät vahvan perustan todennäköisyysteorialle, tilastollisille päätelmille ja edistyneille analyyttisille lähestymistavoille, jotka ovat ratkaisevan tärkeitä monimutkaisten aineistojen analysoinnissa. Keskeisiä aiheita ovat todennäköisyysjakaumat ja niiden sovellukset, hypoteesien testaus ja luottamusvälit, lineaarinen ja epälineaarinen regressioanalyysi, aikasarjaanalyysi ja ennustaminen, Bayesin tilastot ja johtopäätökset, ulottuvuuden vähentämistekniikat, klusterointi- ja luokittelumenetelmät, uudelleennäytteenottomenetelmät ja bootstrapping. Yhdistelmällä luentoja, käytännön harjoituksia ja todellisia tapaustutkimuksia opiskelijat oppivat soveltamaan näitä kvantitatiivisia menetelmiä käyttämällä suosittuja datatieteen työkaluja ja ohjelmointikieliä. Kurssi painottaa sekä teoreettista ymmärrystä että käytännön toteutusta ja valmistaa opiskelijoita vastaamaan monimutkaisiin data-analyysin haasteisiin eri toimialoilla.

Opiskelija oppimistulokset

• SLO 1: Käytä todennäköisyysteoriaa ja tilastollisia päättelytekniikoita monimutkaisten tietojoukkojen analysointiin datatieteen konteksteissa. (PLO 2, PLO 4)
• SLO 2: Kehittää ja arvioida lineaarisia ja epälineaarisia regressiomalleja, aikasarja-analyysiä ja ennustemenetelmiä tietojen analysointiin ja ennustamiseen. (PLO 2, PLO 4)
• SLO 3: Käytä ulottuvuuden vähentämis-, klusterointi- ja luokittelumenetelmiä merkityksellisten kuvioiden poimimiseksi korkeaulotteisesta tiedosta. (PLO 2, PLO 4)
• SLO 4: Osoita osaamistasi käyttää suosittuja datatieteen työkaluja ja ohjelmointikieliä kvantitatiivisten menetelmien toteuttamiseksi reaalimaailman tietojoukoissa. (PLO 2, PLO 4, PLO 5)
• SLO 5: Integroi eettisen tiedon käytön ja tulkinnan kristilliset periaatteet, tunnustaen vastuun käyttää kvantitatiivisia menetelmiä tavoilla, jotka kunnioittavat totuutta, edistävät ihmisten kukoistusta ja kuvastavat tietoresurssien hyvää hoitoa. (PLO 3, PLO 5)

TECH 699: Data Science and Analytics Capstone Project

Tämä huippukurssi tarjoaa opiskelijoille mahdollisuuden syntetisoida ja soveltaa tietoja ja taitoja, jotka on hankittu koko Master of Science in Data Science and Analytics -ohjelmassa. Opiskelijat suorittavat kattavan, todellisen datatieteen projektin, joka vastaa merkittävään liiketoiminnalliseen tai yhteiskunnalliseen haasteeseen. Yksin tai pienissä ryhmissä työskennelleet opiskelijat tunnistavat ongelman, keräävät ja analysoivat asiaankuuluvaa dataa, kehittävät ja toteuttavat sopivia datatieteellisiä ratkaisuja ja viestivät havainnoistaan tehokkaasti. Hanke kattaa koko datatieteen elinkaaren sisältäen ongelman muotoilun, tiedonkeruun ja esikäsittelyn, tutkivan data-analyysin, mallin kehittämisen ja arvioinnin sekä tulosten esittämisen. Opiskelijoiden odotetaan integroivan edistyneitä analytiikan tekniikoita, eettisiä näkökohtia ja liiketoiminnan oivalluksia projekteihinsa. Kurssi huipentuu loppuesitykseen ja raporttiin, jotka osoittavat opiskelijan datatieteen käsitteiden hallinnan ja kyvyn tuottaa arvoa datalähtöisten ratkaisujen avulla.

Opiskelija oppimistulokset

• SLO 1: Suunnittele ja toteuta kattava datatiedeprojekti, joka käsittelee monimutkaista reaalimaailman ongelmaa ja osoittaa tietotieteen elinkaaren hallintaa ja edistyneitä analyyttisiä tekniikoita. (PLO 2, PLO 4)
• SLO 2: Vie tehokkaasti monimutkaisia datatieteen käsitteitä, menetelmiä ja tuloksia sekä tekniselle että ei-tekniselle yleisölle kirjallisten raporttien, suullisten esitysten ja datan visualisointien avulla. (PLO 1, PLO 4)
• SLO 3: Käytä eettistä päättelyä ja kristillisiä periaatteita datatieteellisten ratkaisujen suunnittelussa, toteutuksessa ja arvioinnissa, kun käsitellään esimerkiksi tietosuojaa, harhaa ja yhteiskunnallisia vaikutuksia. (PLO 3, PLO 5)
• SLO 4: Arvioi ja valitse kriittisesti sopivat datatieteen menetelmät, työkalut ja teknologiat tiettyjen liiketoiminnallisten tai yhteiskunnallisten haasteiden ratkaisemiseksi perustelemalla nämä valinnat niiden tehokkuuden ja tehokkuuden perusteella. (PLO 2, PLO 4)
• SLO 5: Tee tehokasta yhteistyötä erilaisissa tiimeissä suunnittelemaan, toteuttamaan ja toteuttamaan monimutkaisia tietotiedeprojekteja, jotka osoittavat johtajuutta, projektinhallintaa ja kulttuurienvälisiä viestintätaitoja. (PLO 1, PLO 5)
• SLO 6: Syntetisoi data-analyysin oivalluksia kehittääksesi strategisia suosituksia, jotka lisäävät liiketoiminnan arvoa tai vastaavat yhteiskunnan tarpeisiin ja osoittavat kyvyn yhdistää datatiede käytännön sovelluksiin. (PLO 2, PLO 3, PLO 4)

Institutional Learning Outcomes (ILO)

• ILO 1: Opiskelijat kommunikoivat tehokkaasti.
• ILO 2: Opiskelija käyttää kyselymenetelmiä tiedon hankkimiseen ja soveltamiseen.
• ILO 3: Opiskelijat käsittelevät konkreettisia ongelmia soveltamalla uskoa ja eettistä päättelyä.
• ILO 4: Opiskelijat ajattelevat luovasti ja kriittisesti jatkaakseen oppimiselämää.
• ILO 5: Opiskelijat sitoutuvat kulttuurisesti monimuotoiseen maailmaan vahvistaakseen suhteita muihin.

Ohjelman oppimistulokset (PLO)

• PLO 1: Vie tehokkaasti monimutkaisia datatieteen käsitteitä ja analyyttisiä tuloksia eri yleisöille osoittaen kulttuurisen herkkyyttä ja eettistä huomioimista tiedon esittämisessä. (ILO 1, ILO 3, ILO 5)
• PLO 2: Käytä edistyneitä tilastomenetelmiä, koneoppimistekniikoita ja tiedonlouhintastrategioita saadaksesi merkityksellisiä oivalluksia laajamittaisista tietojoukoista ja arvioimalla tuloksia kriittisesti todellisten ongelmien ratkaisemiseksi. (ILO 2, ILO 4)
• PLO 3: Kehitetään ja toteutetaan eettisiä datatieteen ratkaisuja, jotka yhdistävät kristilliset taloudenhoito-, yksityisyys- ja sosiaalisen vastuun periaatteet ja viestivät samalla tehokkaasti eettisistä vaikutuksista sidosryhmille. (ILO 1, ILO 3, ILO 5)
• PLO 4: Arvioi ja syntetisoi kriittisesti datatieteen ja tekoälyn nykytrendejä osoittaen kykyä sopeutua nopeasti kehittyviin teknologioihin ja menetelmiin ja viestiä tehokkaasti havainnoista jatkuvan oppimisen edistämiseksi. (ILO 1, ILO 2, ILO 4)
• PLO 5: Tee tehokasta yhteistyötä erilaisissa tiimeissä suunnitella ja toteuttaa datatiedeprojekteja, jotka vastaavat globaaleihin haasteisiin, käyttämällä asianmukaisia tutkimusmenetelmiä ja eettisiä perusteluja kulttuurien välisen ymmärryksen edistämiseksi datalähtöisten oivallusten avulla. (ILO 2, ILO 3, ILO 5)