Syväoppiminen 1 (5op)

Arviointimenetelmät ja arvioinnin perusteet

Kurssin arvioitava elementti on Oppimispäiväkirja (ks. vetovalikosta "Oppimispäiväkirja (monimuoto)" sivustolta https://arviointi.munpaas.com /). Kurssin arviointi perustuu 4 numeraalisen kriteerin painotettuun keskiarvoon: Tietotaidot (40 %): Korkean tietotaidon omaava opiskelija hallitsee kurssilla käsitellyn käytännön ja teorian todistettavasti. Opiskelija tunnistaa oman osaamisensa. Muista antaa numeraalinen arvosana itsellesi! Käytä Arviointityökalua apuna: ota kuvakaappaus ja liitä se itsearviointiin. Älä unohda perusteluja! Asiatyyli (20 %): Asiatyyliin kirjoitettu dokumentti muistuttaa opinnäytetyötä, ammattilaisille kirjoitettua artikkelia (esim. Medium.com) tai raporttia. Palautusformaattina on Material for MkDocs -sivusto ellei kurssin tehtävänannossa erikseen toisin sanota. Noudata Oppimispäiväkirja 101 ohjeita. Viikkonumerot ja päivämäärät vastaavat totisesti työskentelyaikoja. Opiskeluaktiivisuus (20 %): Aktiivinen opiskelu edistää oppimista ja samalla harjaannuttaa git-versionhallinnan käytössä. Sinulta toivotaan viikoittaista työskentelyä, jonka tulee näkyä git-lokeissa. Käytä selkeitä commit-viestejä. Todista aktiivisuus myös itsearvioinnissa! Apuna voit käyttää GitLab:n tarjomia työkaluja kuten Code > Repository Graph. Aktiivisuus Teamsissä tai Discordissa ei korvaa git-lokeja, mutta lasketaan eduksi. Jos olet ollut aktiivinen, mainitse se itsearvioinnissa. Lähdeviitteet (20 %): Hyvin käytetyt lähdeviitteet tukevat kirjoituksen argumentteja. Työ ikään kuin keskustelee lähdeteosten kanssa. Valittujen lähteiden tulee olla luotettavia ja ajantasaisia. Suosi teoksia, joiden tekijä on selvillä ja mieluiten tunnettu henkilö. Vältä tekoälyn kirjoittamia tekstejä. Noudata ohjeistettua viittaustyyliä (Vancouver-tyyli Markdown Footnotesia hyödyntäen). Lähdeluettelon formaatti on KAMK:n kirjaston ohjeistuksen mukainen. Suosi epäsuoria viittauksia (parafrasointia). Kun käytät tekoälyä, tee se läpinäkyvästi. Tekoäly ei ole itsessään luotettava lähde.

Arviointiasteikko

0 - 5

Sisällön jaksotus

Kuvataan Repussa.

Tavoitteet

Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.

Suoritustavat

Verkko-opiskelu; Aloitusluento, luentotallenteet, harjoitustehtävät, keskustelu verkko-alustalla. Toteutustavat kuvataan tarkemmin toteuteuksen yhteydessä.

Suoritustavat

Luennot (aloitusluento + luentotallenteet) sekä harjoitustehtävät.

Sisältö

- Keinotekoiset neuronit ja neuroverkot - Syväoppiminen neuroverkoilla - Neuroverkkojen opettaminen - Opetettujen neuroverkkojen käyttö - Neuroverkkojen hyperparametrit - Pytorch ympäristön käyttö - CNN neuroverkot (Convolutional Neural Networks) - RNN neuroverkot (Recurrent Neural Networks) - Luonnollisen kielen käsittelyn (NLP) perusteet

Aika ja paikka

Opintojakso järjestetään verkkototeutuksena kevätlukukaudella. Aloitusluento on suunnitelman mukaisesti viikolla 3. Kurssilla on kahdeksan viikoittaista aihealuetta. Aikataulua noudattava saa kurssin valmiiksi viikkojen 4–12 välisenä aikana. Kurssin loppuun on jätetty viisi viikkoa puskuria mahdollistamaan liukuvan kurssin suorittamisen. Sallittu suoritusaika 1.1.-30.4.2025.

Oppimateriaalit

Tehtävät ja tekstimateriaali löytyvät osoitteesta: https://sourander.github.io/syvaoppiminen/ Oppimispäiväkirja 101 -ohjesivusto on osoitteessa: https://sourander.github.io/oat/ Linkit toteutukseen liittyviin YouTube-videoihin jaetaan Reppu-alustan Aloita tästä -osiossa. Opettajan kirjoittaman materiaalin lisäksi kurssin virallista lähdetietoa ovat: - Géron, A. **Hands-On Machine Learning with Scikit-Learn and PyTorch**. O'Reilly. 2025. - Prince, S. **Understanding Deep Learning**. The MIT Press. 2023. https://udlbook.github.io/udlbook/

Opetusmenetelmät

Kurssin sisältö ja ohjeistus käydään lävitse aloitusluennolla Teams Classroomissa, joka on katsottavissa myös tallenteena myöhemmin. Kurssilla ei ole erillisiä luentoja, vaan kurssin luentomateriaalit on saatavilla videoina. Kurssilla ei ole erillistä tenttiä, vaan kurssin suoritus perustuu oppimispäiväkirjaan. Oppimispäiväkirjaan liittyy tehtäväpaketti. Lue Reppu-ympäristön Aloita tästä -osiosta tarkemmin, mistä mikäkin materiaali löytyy. Kurssin aikana järjestetään erillisiä kysy-vastaa -sessioita, joissa voi kysyä epäselvistä asioista ja saada apua tehtävien kanssa. Kurssin asynkroninen keskustelu tapahtuu kurssin discord -kanavalla.

Tenttien ajankohdat ja uusintamahdollisuudet

Ei sisällä tenttiä. Oppimispäiväkirjan palautus 30.4.2026 mennessä.

Toteutuksen valinnaiset suoritustavat

Ota yhteyttä opettajaan.

Opiskelijan ajankäyttö ja kuormitus

Luennoille osallistumisen tai YouTube-tallenteiden katsomisen lisäksi opiskelijan oletetaan käyttävän viikoittain kurssin laajuutta vastaava määrä tunteja tehtävien tekemiseen, itsensä kehittämiseen ja tämän prosessin dokumentointiin oppimispäiväkirjamuodossa. Pidä ajankäytöstäsi kirjaa. Opintojakson laajuus on 5op, mikä vastaa n. 135 tuntia opiskelijan työtä.

Esitietovaatimukset

Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet) Datatieteen matematiikka 2 (matriisialgebra) Python-ohjelmointi