Skip to main content

Machine Learning in RoboticsLaajuus (5 cr)

Code: YTGJ0300

Credits

5 op

Teaching language

  • Finnish

Responsible person

  • Tomi Nieminen

Objective

You understand the significance of machine learning in the digitalized working environment. You identify the common machine learning methods, and you are able to apply them to available data. You also know how to interpret the results.

Content

- The common regression and classification models in supervised machine learning and their applications in Python-programming environment by applying the libraries NumPy, Pandas, Scikit-Learn, Keras and Tensorflow.
- Choosing an appropriate model and estimating the accuracy of the model.
- The theory of neural networks and their applications.
- Image classification and convolutional neural networks.
- Reinforcement learning with Deep Q-learning algorithm.
- Applying artificial intelligence for robot control.

Qualifications

Basics of programming

Assessment criteria, satisfactory (1)

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Assessment criteria, good (3)

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan robotiikassa.

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan robotiikassa.

Assessment criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat soveltaa tekniikoita robotiikassa. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksesi ja perustella sen kehittämistä.

Timing

07.03.2023 - 31.12.2024

Number of ECTS credits allocated

5 op

Virtual portion

5 op

Mode of delivery

Online learning

Unit

School of Technology

Campus

Main Campus

Teaching languages
  • Finnish
Degree programmes
  • Master's Degree Programme in Robotics
Teachers
  • Tomi Nieminen
Groups
  • ZJAJ23KLIKEROK
    Liiketoiminnallisesti kestävän robotiikan kehittäjä

Objectives

You understand the significance of machine learning in the digitalized working environment. You identify the common machine learning methods, and you are able to apply them to available data. You also know how to interpret the results.

Content

- The common regression and classification models in supervised machine learning and their applications in Python-programming environment by applying the libraries NumPy, Pandas, Scikit-Learn, Keras and Tensorflow.
- Choosing an appropriate model and estimating the accuracy of the model.
- The theory of neural networks and their applications.
- Image classification and convolutional neural networks.
- Reinforcement learning with Deep Q-learning algorithm.
- Applying artificial intelligence for robot control.

Learning materials and recommended literature

Mueller: Introduction to Machine Learning with Python

Teaching methods

Virtuaaliopiskelu
Videoluennot, esimerkit ja harjoitukset

Student workload

Virtuaaliopiskelu 135 h

Evaluation scale

0-5

Evaluation criteria, satisfactory (1-2)

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Evaluation criteria, good (3-4)

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan robotiikassa.

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan robotiikassa.

Evaluation criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat soveltaa tekniikoita robotiikassa. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksesi ja perustella sen kehittämistä.

Prerequisites

Basics of programming

Enrollment

01.08.2023 - 08.09.2023

Timing

28.08.2023 - 19.12.2023

Number of ECTS credits allocated

5 op

Mode of delivery

Face-to-face

Unit

School of Technology

Campus

Main Campus

Teaching languages
  • Finnish
Seats

0 - 20

Degree programmes
  • Master's Degree Programme in Robotics
Teachers
  • Tomi Nieminen
Groups
  • ZJAYTG23S1
    Avoin amk, Robotiikka , Monimuoto
  • YTG23S1
    Insinööri (ylempi AMK), robotiikka

Objectives

You understand the significance of machine learning in the digitalized working environment. You identify the common machine learning methods, and you are able to apply them to available data. You also know how to interpret the results.

Content

- The common regression and classification models in supervised machine learning and their applications in Python-programming environment by applying the libraries NumPy, Pandas, Scikit-Learn, Keras and Tensorflow.
- Choosing an appropriate model and estimating the accuracy of the model.
- The theory of neural networks and their applications.
- Image classification and convolutional neural networks.
- Reinforcement learning with Deep Q-learning algorithm.
- Applying artificial intelligence for robot control.

Learning materials and recommended literature

Mueller: Introduction to Machine Learning with Python

Teaching methods

Virtuaaliopiskelu
Videoluennot, esimerkit ja harjoitukset

Student workload

Virtuaaliopiskelu 135 h

Evaluation scale

0-5

Evaluation criteria, satisfactory (1-2)

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Evaluation criteria, good (3-4)

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan robotiikassa.

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan robotiikassa.

Evaluation criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat soveltaa tekniikoita robotiikassa. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksesi ja perustella sen kehittämistä.

Prerequisites

Basics of programming

Enrollment

03.08.2022 - 03.09.2022

Timing

03.09.2022 - 21.12.2022

Number of ECTS credits allocated

5 op

Virtual portion

5 op

Mode of delivery

Online learning

Unit

School of Technology

Campus

Main Campus

Teaching languages
  • Finnish
Seats

0 - 30

Degree programmes
  • Master's Degree Programme in Robotics
Teachers
  • Tomi Nieminen
Teacher in charge

Tomi Nieminen

Groups
  • YTG22S1
    Insinööri (ylempi AMK), robotiikka

Objectives

You understand the significance of machine learning in the digitalized working environment. You identify the common machine learning methods, and you are able to apply them to available data. You also know how to interpret the results.

Content

- The common regression and classification models in supervised machine learning and their applications in Python-programming environment by applying the libraries NumPy, Pandas, Scikit-Learn, Keras and Tensorflow.
- Choosing an appropriate model and estimating the accuracy of the model.
- The theory of neural networks and their applications.
- Image classification and convolutional neural networks.
- Reinforcement learning with Deep Q-learning algorithm.
- Applying artificial intelligence for robot control.

Learning materials and recommended literature

Exercises and theory published by the teacher
Guido, S: Introduction to Machine Learning with Python

Teaching methods

Virtual study

Student workload

Lectures 3 h. Virtual study and exercises 125 h.

Further information for students

Avoin AMK 5

Evaluation scale

0-5

Evaluation criteria, satisfactory (1-2)

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Evaluation criteria, good (3-4)

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan robotiikassa.

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan robotiikassa.

Evaluation criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat soveltaa tekniikoita robotiikassa. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksesi ja perustella sen kehittämistä.

Prerequisites

Basics of programming

Timing

16.03.2022 - 14.08.2022

Number of ECTS credits allocated

5 op

Virtual portion

5 op

Mode of delivery

Online learning

Unit

School of Technology

Campus

Main Campus

Teaching languages
  • Finnish
Degree programmes
  • Master's Degree Programme in Robotics
Teachers
  • Tomi Nieminen
Groups
  • ZJA21SLKRK
    Avoin AMK, Liiketoiminnallisesti kestävän robotiikan kehittäjä

Objectives

You understand the significance of machine learning in the digitalized working environment. You identify the common machine learning methods, and you are able to apply them to available data. You also know how to interpret the results.

Content

- The common regression and classification models in supervised machine learning and their applications in Python-programming environment by applying the libraries NumPy, Pandas, Scikit-Learn, Keras and Tensorflow.
- Choosing an appropriate model and estimating the accuracy of the model.
- The theory of neural networks and their applications.
- Image classification and convolutional neural networks.
- Reinforcement learning with Deep Q-learning algorithm.
- Applying artificial intelligence for robot control.

Learning materials and recommended literature

Exercises and theory published by the teacher
Guido, S: Introduction to Machine Learning with Python

Teaching methods

Virtual study

Student workload

Lectures 3 h. Virtual study and exercises 125 h.

Further information for students

Avoin AMK 5

Evaluation scale

0-5

Evaluation criteria, satisfactory (1-2)

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Evaluation criteria, good (3-4)

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan robotiikassa.

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan robotiikassa.

Evaluation criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat soveltaa tekniikoita robotiikassa. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksesi ja perustella sen kehittämistä.

Prerequisites

Basics of programming