Siirry suoraan sisältöön

Koneoppiminen  (4 op)

Toteutuksen tunnus: TTC8050-3008

Toteutuksen perustiedot


Ilmoittautumisaika
01.08.2024 - 22.08.2024
Ilmoittautuminen toteutukselle on päättynyt.
Ajoitus
26.08.2024 - 06.10.2024
Toteutus on päättynyt.
Opintopistemäärä
4 op
Lähiosuus
0 op
Virtuaaliosuus
4 op
Toteutustapa
Verkko-opetus
Yksikkö
Teknologiayksikkö
Opetuskielet
suomi
Paikat
0 - 35
Koulutus
Tieto- ja viestintätekniikka (AMK)
Opettajat
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
Opintojakso
TTC8050

Toteutuksella on 4 opetustapahtumaa joiden yhteenlaskettu kesto on 5 t 15 min.

Aika Aihe Tila
Ti 27.08.2024 klo 16:30 - 17:45
(1 t 15 min)
Koneoppiminen  TTC8050-3008
Online
Ti 03.09.2024 klo 16:30 - 17:45
(1 t 15 min)
AI/DA -kirjastojen asennus
Online
Ke 11.09.2024 klo 16:00 - 17:15
(1 t 15 min)
Koneoppiminen  TTC8050-3008
Zoom
To 26.09.2024 klo 16:00 - 17:30
(1 t 30 min)
Koneoppiminen  TTC8050-3008
Online
Muutokset varauksiin voivat olla mahdollisia.

Arviointiasteikko

0-5

Tavoitteet

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

Sisältö

- 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)

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2024.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.12+-ympäristöä, Git-versiohallintaa, GitLab-repositoryjä, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

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

Harjoittelu- ja työelämäyhteistyö

Kurssin 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 (4 op.) kurssilla on 108 tuntia.

Arviointikriteerit, tyydyttävä (1)

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.

Arviointikriteerit, hyvä (3)

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.

Arviointikriteerit, kiitettävä (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.

Esitietovaatimukset

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

Lisätiedot

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

Siirry alkuun