Machine Learning (TTC8050-3005)

EA-EN: EUR-ACE ENGINEERING ANALYSIS
EA-MJ: EUR-ACE DECISION MAKING

Basic ICT skills, basic skills in programming, knowledge and command of Python programming language.
Additionally, courses in Computational algorithms and Data Preprocessing .

- 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)

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.

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.

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.

Finnish

Opintojakso toteutetaan kevätlukukaudella 2023. (not translated)

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

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

Tuomo Sipola

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

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla. (not translated)

09.01.2023 - 19.02.2023

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

ZJA23KTIDA2

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

0 - 30

Bachelor's Degree Programme in Information and Communications Technology

Online learning

4 cr

4 cr

School of Technology