• Machine Learning (TTC8050-3004),
         03.10.2022 – 13.11.2022,  4 cr  (ZJA22STIDA2) — Face-to-face +-
    Learning outcomes of the course
    EA-EN: EUR-ACE ENGINEERING ANALYSIS
    EA-MJ: EUR-ACE DECISION MAKING
    Prerequisites and co-requisites
    Basic ICT skills, basic skills in programming, knowledge and command of Python programming language.
    Additionally, courses in Computational algorithms and Data Preprocessing .
    Course contents
    - Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
    - Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
    - Datan formaatti ja laatu
    - Datajoukon jako opetus- ja testidataan
    - Mallin tarkkuuden arviointi

    Erilaiset koneoppimisen mallit:
    - k lähintä naapuria (k-nearest neighbors)
    - k-means -klusterointi
    - Naiivi Bayes-menetelmä
    - Tukivektorikone (Support Vector Machine)
    - Pääkomponenttianalyysi (PCA)
    - Päätöspuut ja satunnaismetsä
    - Perseptroni (yksinkertainen neuroverkko) (not translated)
    Assessment criteria
    Assessment criteria - grade 1 and 2
    Satisfactory 2: The student knows the most commonly used techniques of machine learning for various problems. They are able to choose the techniques of machine learning and apply their technical know-how in practice. In addition, the student is able to assess their implementation superficially.

    Sufficient 1: The student knows the most commonly used techniques in machine learning and is able to apply them. In addition, the student is able to give a limited assessment of his/her implementation.
    Assessment criteria - grade 3 and 4
    Very good 4: The student recognizes the advantages of machine learning in the digital era. The student knows the most common techniques used in machine learning and is able to justify the use of the implemented techniques in various tasks. The student is able to apply their technical know-how in practice and assess their implementation critically as well as validate its development.

    Good 3: The student is aware of the advantages of machine learning in the digital era. The student knows the most commonly used techniques for various problems. The student is able to apply their technical know-how in practice and validate its development.
    Assessment criteria - grade 5
    Excellent 5: the student recognizes the advantages of machine learning in the digital era. The student masters the techniques of machine learning in a versatile manner and is able to justify the use of implemented techniques in various tasks. The student is able to apply their technical know-how in practice and assess their implementation critically as well as validate its development.
    Language of instruction

    Finnish

    Location and time

    Opintojakso toteutetaan syyslukukaudella 2022. (not translated)

    Planned learning activities, teaching methods and guidance

    Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen. (not translated)

    Learning materials and recommended literature

    Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja. (not translated)

    Lecturer(s)

    Juha Peltomäki

    Working life cooperation

    Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin. (not translated)

    Exam dates and re-exam possibilities

    Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. (not translated)

    Timing

    03.10.2022 - 13.11.2022

    Learning assignments and student workload

    Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia. (not translated)

    Groups
    • ZJA22STIDA2
    Alternative learning methods

    Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä. (not translated)

    Degree Programme

    Bachelor's Degree Programme in Information and Communications Technology

    Mode of delivery

    Face-to-face

    Credits
    • 4 cr
    Unit

    School of Technology