Curricula

Objectives

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

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

Content

- 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)

Time and location

Opintojakso toteutetaan alkuvuodesta 2022.

Learning materials and recommended literature

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Kurssilla hyödynnetään Python 3.7+-ympäristöä, git-versiohallintaa, scikit-learn-kirjastoa ja muita koneoppimiskirjastoja. Lisäksi hyvän pohjan antavat esimerkiksi seuraavat:

[1] Simeone O. (2018). A Brief Introduction to Machine Learning for Engineers. arXiv preprint arXiv:1709.02840v3 [cs.LG]. (237 pages) https://arxiv.org/abs/1709.02840

[2] Hastie, T., Tibshirani R., & Friedman J. (2017). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (764 pages) https://web.stanford.edu/~hastie/ElemStatLearn/

Teaching methods

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyvään sisältöön perehtymisen.

Practical training and working life connections

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Exam dates and retake possibilities

Kurssi arvioidaan palautettujen harjoitustehtävien avulla.

Alternative completion methods

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

Student workload

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Further information for students

Arvosana määräytyy alla olevien osaamistasojen mukaisesti:

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

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

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

Tyydyttävä 2: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat koneoppimistehtävissä. Hän osaa valita tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida pintapuolisesti toteutuksensa.

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

Hylätty 0: Opiskelija ei hallitse aihealuetta.

Evaluation scale

0-5

Evaluation criteria, satisfactory (1-2)

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

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

Evaluation criteria, good (3-4)

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 käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

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

Evaluation criteria, excellent (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Prerequisites

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