Skip to main content

Syväoppiminen (5 op)

Toteutuksen tunnus: TTC8060-3006

Toteutuksen perustiedot


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

Objectives

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

Content

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

Time and location

Opintojakso toteutetaan kevätlukukaudella 2023.

Learning materials and recommended literature

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.

Teaching methods

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

Practical training and working life connections

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Exam dates and retake possibilities

Opintojakso 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 (5 op) kurssilla on 135 tuntia.

Content scheduling

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

Evaluation scale

0-5

Evaluation criteria, satisfactory (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.

Evaluation criteria, good (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.

Evaluation criteria, excellent (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.

Prerequisites

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