Siirry suoraan sisältöön

SyväoppiminenLaajuus (5 op)

Tunnus: TTC8060

Laajuus

5 op

Opetuskieli

  • suomi

Vastuuhenkilö

  • Juha Peltomäki

Osaamistavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Esitietovaatimukset

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

Arviointikriteerit, tyydyttävä (1)

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

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

Arviointikriteerit, hyvä (3)

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

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

Arviointikriteerit, kiitettävä (5)

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

Enrollment

18.11.2024 - 09.01.2025

Timing

27.01.2025 - 09.03.2025

Number of ECTS credits allocated

5 op

Virtual portion

5 op

Mode of delivery

Online learning

Unit

School of Technology

Teaching languages
  • English
Seats

0 - 35

Degree programmes
  • Bachelor's Degree Programme in Information and Communications Technology
  • Bachelor's Degree Programme in Information and Communications Technology
Teachers
  • Juha Peltomäki
Groups
  • TTV22S5
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S2
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S3
    Tieto- ja viestintätekniikka (AMK)
  • TIC22S1
    Bachelor's Degree Programme in Information and Communications Technology
  • TTV22S1
    Tieto- ja viestintätekniikka (AMK)
  • TTV22SM
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S4
    Tieto- ja viestintätekniikka (AMK)
  • TTV22SM2
    Tieto- ja viestintätekniikka (AMK)
  • ZJA25KSTIDA2
    Avoin amk, Data-analytiikka 2, Verkko

Objective

You understand the significance of deep learning in the digitalized operational environment. You know about the most common methods of deep learning and how to apply them in practice to existing data as well as interpret the results of the methods.

EUR-ACE Competences:
Knowledge and Understanding
Engineering Practice
Research and information retrieval

Content

- Various neural networks and their architectures and uses (e.g. CNN, RNN, LSTM, Autoencoder).
- Work with open source neural network tools
- Transfer learning
- Prediction
- Machine vision
- NLP

Location and time

The course will be implemented in the spring semester of 2025.

Oppimateriaali ja suositeltava kirjallisuus

The material for the assignments and the content to be studied will be shared during the course. The course utilizes the Python 3.11+ environment, Git version control, scikit-learn, TensorFlow 2, Keras and other visualization and deep learning libraries.

Teaching methods

Virtual study including doing assignments and familiarizing yourself with related lecture and example materials.

Employer connections

The aim is to connect the content of the course to problems that occur in working life.

Vaihtoehtoiset suoritustavat

The admission procedures are described in the degree rule and the study guide. The teacher of the course will give you more information on possible specific course practices.

Student workload

The workload of one credit corresponds to 27 hours of study. The total amount of study work (5 ECTS) in the course is 135 hours.

Content scheduling

The learning materials are published at the start of the course and are supplemented if necessary during the course.
More detailed installation instructions for the environments used in the course are also given at the beginning of the course.

Further information

The course is evaluated using returned assignments.
The assessment methods are reviewed at the beginning of the course.

Evaluation scale

0-5

Arviointikriteerit, tyydyttävä (1-2)

Satisfactory 2: You know the most commonly used techniques in Deep Learning for various problems. You know how to choose the techniques of Deep Learning and apply their technical know-how in practice. In addition, you know how to assess their implementation superficially.

Sufficient 1: You know the most commonly used techniques of Deep Learning. You are able to apply the most common techniques of Deep Learning. Additionally, you are able to assess their implementation briefly.

Arviointikriteerit, hyvä (3-4)

Very good 4: You recognize the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques of Deep Learning and is able to justify versatile the use of the implemented techniques in various tasks. You know how to apply their technical know-how in practice and assess their implementation critically as well as validate its development.

Good 3: You are aware of the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques of Deep Learning for various problems. You are able to apply his/her technical know-how in practice, assess their implementation in practice and validate its development.

Assessment criteria, excellent (5)

Excellent 5: You recognize the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques and is able to critically justify the used techniques in various tasks. You are able to apply their technical know-how in practice and critically assess their implementation as well as validate its development.

Qualifications

Basics in ICT, programming, knowledge and know-how of Python programming language.

Additionally, courses in Data Preprocessing and Computational algorithms.

Ilmoittautumisaika

01.08.2024 - 22.08.2024

Ajoitus

30.09.2024 - 15.11.2024

Opintopistemäärä

5 op

Virtuaaliosuus

5 op

Toteutustapa

Verkko-opetus

Yksikkö

Teknologiayksikkö

Opetuskielet
  • Suomi
Paikat

0 - 35

Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki
Ryhmät
  • TTV22S5
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S2
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S3
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S1
    Tieto- ja viestintätekniikka (AMK)
  • TTV22SM
    Tieto- ja viestintätekniikka (AMK)
  • TTV22S4
    Tieto- ja viestintätekniikka (AMK)
  • TTV22SM2
    Tieto- ja viestintätekniikka (AMK)
  • ZJA24STIDA2
    Avoin amk, Data-analytiikka 2, Verkko

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2024.

Oppimateriaali ja suositeltava kirjallisuus

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.11+-ympäristöä, Git-versiohallintaa, scikit-learn, TensorFlow 2, Keras sekä muita visualisointi- ja syväoppimiskirjastoja.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Lisätietoja opiskelijoille

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.
Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Enrollment

20.11.2023 - 04.01.2024

Timing

22.01.2024 - 10.03.2024

Number of ECTS credits allocated

5 op

Virtual portion

5 op

Mode of delivery

Online learning

Unit

School of Technology

Teaching languages
  • English
Seats

0 - 30

Degree programmes
  • Bachelor's Degree Programme in Information and Communications Technology
  • Bachelor's Degree Programme in Information and Communications Technology
Teachers
  • Juha Peltomäki
Groups
  • TTV21S3
    Tieto- ja viestintätekniikka (AMK)
  • TTV21S5
    Tieto- ja viestintätekniikka (AMK)
  • TTV21SM
    Tieto- ja viestintätekniikka (AMK)
  • TIC21S1
    Bachelor's Degree Programme in Information and Communications Technology
  • TTV21S2
    Tieto- ja viestintätekniikka (AMK)
  • ZJA24KTIDA2
    Avoin amk, Data-analytiikka 2, Verkko
  • TTV21S1
    Tieto- ja viestintätekniikka (AMK)

Objective

You understand the significance of deep learning in the digitalized operational environment. You know about the most common methods of deep learning and how to apply them in practice to existing data as well as interpret the results of the methods.

EUR-ACE Competences:
Knowledge and Understanding
Engineering Practice
Research and information retrieval

Content

- Various neural networks and their architectures and uses (e.g. CNN, RNN, LSTM, Autoencoder).
- Work with open source neural network tools
- Transfer learning
- Prediction
- Machine vision
- NLP

Location and time

The course will be implemented in the spring semester of 2024.

Oppimateriaali ja suositeltava kirjallisuus

The material for the assignments and the content to be studied will be shared during the course. The course utilizes the Python 3.9+ environment, Git version control, scikit-learn, TensorFlow 2, Keras and other visualization and deep learning libraries.

Teaching methods

Virtual study including doing assignments and familiarizing yourself with related lecture and example materials.

Employer connections

The aim is to connect the content of the course to problems that occur in working life.

Vaihtoehtoiset suoritustavat

The admission procedures are described in the degree rule and the study guide. The teacher of the course will give you more information on possible specific course practices.

Student workload

The workload of one credit corresponds to 27 hours of study. The total amount of study work (5 ECTS) in the course is 135 hours.

Content scheduling

The learning materials are published at the start of the course and are supplemented if necessary during the course.
More detailed installation instructions for the environments used in the course are also given at the beginning of the course.

Further information

The course is evaluated using returned assignments.
The assessment methods are reviewed at the beginning of the course.

Evaluation scale

0-5

Arviointikriteerit, tyydyttävä (1-2)

Satisfactory 2: You know the most commonly used techniques in Deep Learning for various problems. You know how to choose the techniques of Deep Learning and apply their technical know-how in practice. In addition, you know how to assess their implementation superficially.

Sufficient 1: You know the most commonly used techniques of Deep Learning. You are able to apply the most common techniques of Deep Learning. Additionally, you are able to assess their implementation briefly.

Arviointikriteerit, hyvä (3-4)

Very good 4: You recognize the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques of Deep Learning and is able to justify versatile the use of the implemented techniques in various tasks. You know how to apply their technical know-how in practice and assess their implementation critically as well as validate its development.

Good 3: You are aware of the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques of Deep Learning for various problems. You are able to apply his/her technical know-how in practice, assess their implementation in practice and validate its development.

Assessment criteria, excellent (5)

Excellent 5: You recognize the advantages of Deep Learning in the era of digitalization. You know the most commonly used techniques and is able to critically justify the used techniques in various tasks. You are able to apply their technical know-how in practice and critically assess their implementation as well as validate its development.

Qualifications

Basics in ICT, programming, knowledge and know-how of Python programming language.

Additionally, courses in Data Preprocessing and Computational algorithms.

Ilmoittautumisaika

01.08.2023 - 24.08.2023

Ajoitus

09.10.2023 - 03.12.2023

Opintopistemäärä

5 op

Virtuaaliosuus

5 op

Toteutustapa

Verkko-opetus

Yksikkö

Teknologiayksikkö

Opetuskielet
  • Suomi
Paikat

0 - 30

Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki
Ryhmät
  • TTV21S3
    Tieto- ja viestintätekniikka (AMK)
  • TTV21S5
    Tieto- ja viestintätekniikka (AMK)
  • TTV21SM
    Tieto- ja viestintätekniikka (AMK)
  • TTV21S2
    Tieto- ja viestintätekniikka (AMK)
  • TTV21S1
    Tieto- ja viestintätekniikka (AMK)
  • ZJA23STIDA2
    Avoin amk, Data-analytiikka 2, Verkko

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2023.

Oppimateriaali ja suositeltava kirjallisuus

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, scikit-learn, TensorFlow 2, Keras sekä muita visualisointi- ja syväoppimiskirjastoja.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Lisätietoja opiskelijoille

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.
Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Ajoitus

13.02.2023 - 16.04.2023

Opintopistemäärä

5 op

Toteutustapa

Lähiopetus

Yksikkö

Teknologiayksikkö

Opetuskielet
  • Suomi
Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki
Ryhmät
  • ZJA23KTIDA2
    Avoin amk, Data-analytiikka 2, Verkko

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaali ja suositeltava kirjallisuus

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, scikit-learn, TensorFlow 2, Keras sekä muita visualisointi- ja syväoppimiskirjastoja.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Ilmoittautumisaika

01.11.2022 - 05.01.2023

Ajoitus

13.02.2023 - 16.04.2023

Opintopistemäärä

5 op

Virtuaaliosuus

5 op

Toteutustapa

Verkko-opetus

Yksikkö

Teknologiayksikkö

Toimipiste

Lutakon kampus

Opetuskielet
  • Suomi
Paikat

0 - 30

Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaali ja suositeltava kirjallisuus

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, scikit-learn, TensorFlow 2, Keras sekä muita visualisointi- ja syväoppimiskirjastoja.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Ajoitus

07.11.2022 - 20.12.2022

Opintopistemäärä

5 op

Toteutustapa

Lähiopetus

Yksikkö

Teknologiayksikkö

Opetuskielet
  • Suomi
Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki
Ryhmät
  • ZJA22STIDA2
    Avoin amk, Data-analytiikka 2, Verkko

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaali ja suositeltava kirjallisuus

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.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Ilmoittautumisaika

01.08.2022 - 25.08.2022

Ajoitus

07.11.2022 - 20.12.2022

Opintopistemäärä

5 op

Virtuaaliosuus

5 op

Toteutustapa

Verkko-opetus

Yksikkö

Teknologiayksikkö

Toimipiste

Lutakon kampus

Opetuskielet
  • Suomi
Paikat

0 - 35

Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaali ja suositeltava kirjallisuus

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.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

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

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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

Ilmoittautumisaika

01.11.2021 - 09.01.2022

Ajoitus

07.03.2022 - 30.04.2022

Opintopistemäärä

5 op

Toteutustapa

Lähiopetus

Yksikkö

Teknologiayksikkö

Toimipiste

Lutakon kampus

Opetuskielet
  • Suomi
Paikat

0 - 35

Koulutus
  • Tieto- ja viestintätekniikka (AMK)
Opettaja
  • Juha Peltomäki
Ryhmät
  • ZJA21STIDA
    Avoin AMK, tekniikka, ICT, Data-analytiikka
  • TTV19SM
    Tieto- ja viestintätekniikka
  • TTV19S1
    Tieto- ja viestintätekniikka
  • TTV20SM
    Tieto- ja viestintätekniikka
  • TTV19S3
    Tieto- ja viestintätekniikka
  • TTV19S2
    Tieto- ja viestintätekniikka
  • TTV19S5
    Tieto- ja viestintätekniikka

Tavoitteet

Ymmärrät syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Tiedät yleisimmät syväoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

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

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2022.

Oppimateriaali ja suositeltava kirjallisuus

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Kurssilla hyödynnetään Python 3.7+-ympäristöä, git-versiohallintaa, scikit-learn, tensorflow ja muita koneoppimis- sekä syväoppimiskirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyvään sisältöön perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Kurssi arvioidaan palautettujen harjoitustehtävien avulla.

Vaihtoehtoiset suoritustavat

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

Opiskelijan ajankäyttö ja kuormitus

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

Sisällön jaksotus

Oppimateriaalit jaetaan kurssin alkaessa.

Lisätietoja opiskelijoille

Arvosana määräytyy alla olevien osaamistasojen mukaisesti:

Erinomainen 5: Opiskelija tunnistaa syväoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa syväoppimisen yleisimmin käytetyt tekniikat ja osaa kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa käyttötapauksissa. Hän osaa kriittisesti perustella ja valita oikeat tekniikat syväoppimiseen riippumatta lähdeaineistosta ja osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Kiitettevä 4: Opiskelija tunnistaa syväoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa syväoppimisen yleisimmin käytetyt tekniikat ja osaa laajasti perustella käytettyjen tekniikoiden käytön erilaisissa käyttötapauksissa. Hän osaa monipuolisesti perustella ja valita oikeat tekniikat syväoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida perusteellisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Opiskelija tiedostaa syväoppimisen hyödyt digitalisaation aikakautena. Opiskelija tietää syväoppimisen yleisimmin käytetyt tekniikat erilaisissa käyttötapauksissa. Hän osaa perustella ja valita tekniikat syväoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida toteutuksensa ja perustella sen kehittämistä.

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

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

Hylätty 0: Opiskelija ei hallitse aihealuetta.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1-2)

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

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

Arviointikriteerit, hyvä (3-4)

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

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

Arviointikriteerit, kiitettävä (5)

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

Esitietovaatimukset

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