Future IoT Technologies (5 op)
Toteutuksen tunnus: TTC8850-3007
Toteutuksen perustiedot
- Ilmoittautumisaika
-
04.08.2025 - 21.08.2025
Ilmoittautuminen toteutukselle ei ole vielä alkanut.
- Ajoitus
-
25.08.2025 - 19.12.2025
Toteutus ei ole vielä alkanut.
- Opintopistemäärä
- 5 op
- Lähiosuus
- 0 op
- Virtuaaliosuus
- 5 op
- Toteutustapa
- Verkko-opetus
- Yksikkö
- Teknologiayksikkö
- Opetuskielet
- englanti
- Paikat
- 0 - 35
- Koulutus
- Bachelor's Degree Programme in Information and Communications Technology
- Tieto- ja viestintätekniikka (AMK)
- Opettajat
- Jouko Kotkansalo
- Ryhmät
-
TTV23S2Tieto- ja viestintätekniikka (AMK)
-
TTV23S3Tieto- ja viestintätekniikka (AMK)
-
TTV23S5Tieto- ja viestintätekniikka (AMK)
-
TTV23SMTieto- ja viestintätekniikka (AMK)
-
TIC23S1Bachelor's Degree Programme in Information and Communications Technology
-
TTV23S1Tieto- ja viestintätekniikka (AMK)
- Opintojakso
- TTC8850
Arviointiasteikko
0-5
Tavoitteet
Opintojakson tarkoitus
Kurssilla opit hyödyntääm kehittyneitä uusia tekniikoita, kuten tekoälyä IoT-järjestelmien toteutuksessa. Tutustut erilaisiin neuroverkkoihin ja ymmärrät niiden perusparametrit.
Opintojakson osaamiset
EUR-ACE Tieto ja ymmärrys
EUR-ACE Tekniikan soveltaminen käytäntöön
Osaamistavoitteet:
Tunnet neuroverkkojen arkkitehtuurit ja ymmärrät niiden sovellusalueet. Osaat tehdä Q-table perustaisen neuroverkon suunnittelun ja toteutuksen käytännössä. Tiedät mitä RL-agentti tekee ja osaat treenat agentin toiminnan optimaalliseksi. Ymmärrät eron On-Policy ja Off-Policy algoritmien välillä ja osaat käyttää tietoa algoritmin valinnassa.
Sisältö
Neuroverkkojen vertailu (RL,Supervised, Unsupervised )
Keras, Pytorch ja muut algoritmipohjaiset neuroverkot
RL-agent ja ympäristö
Exploitation and exploration
Palkkio (Reward) ja hyperparameters
Basic neuro math and activation functions
Policy gradient method and value based learning
Bellman equation and its demo (Q-learning)
Pytorch, PPO algorithm and demo
Arviointikriteerit, tyydyttävä (1)
Välttävä 1: Ymmärrät neuroverkkojen periaattet ja osaat soveltaa tietoa niiden valitsemiseksi
Tyydyttävävä 2: Ymmärrät Q-learning menetelmien perusteet ja osaat tehdä sillä pienen sovelluksen
Arviointikriteerit, hyvä (3)
Hyvä 3: Osaat säätää Bellmanin algoritmin parametreja (Exploration, Explotation, gamma +....) siten, että ohjattavan objektin toiminta optimoituu
Erinomainen 4: Osaat virittää monikerroksisen neuroverkon käyttäen PPO algoritmiä siten, että anettu toimilaite käyttäytyy halutusti.
Arviointikriteerit, kiitettävä (5)
Erinomainen 5: Edellisten lisäksi ymmärrät tekoälyn rajoitukset erilaisissa käytännön sovelluksissa ja käsität , että OpenAI-Gym mallit vaativat vahvaa substanssin hallintaa. Osaat myös dokumentoida työsi hyvin käyttäen TensorFlow-tulosteita hyperparametrien arvioimiseen.
Esitietovaatimukset
Johdanto IoT-järjestelmiin