Syväoppiminen (TTC8060-3005)

Opiskelija ymmärtää syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Opiskelija tietää yleisimmät syväoppimisen menetelmät, osaa soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.
EA-EN: EUR-ACE TEKNINEN ANALYYSI
EA-MJ: EUR-ACE PÄÄTÖKSENTEKO

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

• Erilaiset neuroverkot ja niiden arkkitehtuurit ja käyttötarkoitukset (CNN, RNN, LSTM, Autoencoder, jne.)
• Avoimen lähdekoodin työkaluilla työskentely
• Siirretty oppiminen
• Ennustaminen
• Konenäkö
• NLP

Tyydyttävä 2: Opiskelija tietää syväoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Hän osaa valita syväoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida pintapuolisesti toteutuksensa.

Välttävä 1: Opiskelija tietää syväoppimisen yleisimmin käytetyt tekniikat. Hän osaa soveltaa yleisimpiä syväoppimisen tekniikoita. Lisäksi opiskelija osaa arvioida suppeasti toteutuksensa.

Kiitettevä 4: Opiskelija tunnistaa syväoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa syväoppimisen yleisimmin käytetyt tekniikat ja osaa monipuolisesti perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Opiskelija tiedostaa syväoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa syväoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Erinomainen 5: Opiskelija tunnistaa syväoppmisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa syväoppimisen yleisimmin käytetyt tekniikat ja osaa kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Suomi

Opintojakso toteutetaan syyslukukaudella 2022.

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, scikit-learn, TensorFlow 2, Keras sekä muita visualisointi- ja syväoppimiskirjastoja.

Juha Peltomäki

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

07.11.2022 - 20.12.2022

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (5 op) kurssilla on 135 tuntia.

Oppimateriaalit jaetaan kurssin alkaessa ja niitä täydennetään tarvittaessa kurssin aikana.
Myös tarkemmat opintojaksolla käytettävien ympäristöjen asennusohjeet jaetaan alkuvaiheessa.

ZJA22STIDA2

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Tieto- ja viestintätekniikka (AMK)

Lähiopetus

5 op

Teknologiayksikkö