Siirry suoraan sisältöön

Syväoppiminen (5 op)

Toteutuksen tunnus: TTC8060-3007

Toteutuksen perustiedot


Ilmoittautumisaika
01.08.2023 - 24.08.2023
Ilmoittautuminen toteutukselle on päättynyt.
Ajoitus
09.10.2023 - 03.12.2023
Toteutus on päättynyt.
Opintopistemäärä
5 op
Lähiosuus
0 op
Virtuaaliosuus
5 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
suomi
Paikat
0 - 30
Koulutus
Tieto- ja viestintätekniikka (AMK)
Opettajat
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
Opintojakso
TTC8060
Toteutukselle TTC8060-3007 ei löytynyt varauksia!

Arviointiasteikko

0-5

Sisällön jaksotus

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

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.

Oppimateriaalit

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.

Toteutuksen valinnaiset 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.

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.

Esitietovaatimukset

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

Lisätiedot

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

Siirry alkuun