Koneoppiminen (5cr)
Code
General information
- Enrollment
- 03.08.2020 - 30.08.2020
- Registration for the implementation has ended.
- Timing
- 02.11.2020 - 31.12.2020
- Implementation has ended.
- Number of ECTS credits allocated
- 5 cr
- Local portion
- 0 cr
- Virtual portion
- 5 cr
- Mode of delivery
- Online learning
- Unit
- School of Technology
- Teaching languages
- Finnish
- Seats
- 0 - 60
- Teachers
- Tomi Nieminen
- Teacher in charge
- Tomi Nieminen
- Groups
-
ZJA20STIDAAvoin amk, tekniikka, ICT, Data-analytiikka ja tekoäly
- Course
- TTVD0400
Unfortunately, no reservations were found for the realization Koneoppiminen TTVD0400-3001. It's possible that the reservations have not yet been published or that the realization is intended to be completed independently.
Evaluation scale
0-5
Objective
Opiskelija ymmärtää koneoppimisen merkityksen digitalisoituvassa toimintaympäristössä. Opiskelija tietää yleisimmät koneoppimisen menetelmät, osaa soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.
Content
• Data-analytiikkaan perustuvan tekoälyn matemaattiset perusteet
• Ohjatun koneoppimisen yleisimmät regressio- ja luokittelumallit ja niiden soveltaminen Python-ohjelmointiympäristössä käyttäen kirjastoja NumPy, Pandas, Scikit-learn ja Keras.
• Pandas dataframe -olion käsittely.
• Lineaarinen regressiomalli
• Logistinen regressiomalli
• Data-analytiikkaan perustuvan tekoälyn matemaattiset perusteet
• Ohjatun koneoppimisen yleisimmät regressio- ja luokittelumallit ja niiden soveltaminen Python-ohjelmointiympäristössä käyttäen kirjastoja NumPy, Pandas, Scikit-learn ja Keras.
• Pandas dataframe -olion käsittely.
• Lineaarinen regressiomalli
• Logistinen regressiomalli
• Data-analytiikkaan perustuvan tekoälyn matemaattiset perusteet
• Ohjatun koneoppimisen yleisimmät regressio- ja luokittelumallit ja niiden soveltaminen Python-ohjelmointiympäristössä käyttäen kirjastoja NumPy, Pandas, Scikit-learn ja Keras.
• Pandas dataframe -olion käsittely.
• Lineaarinen regressiomalli
• Logistinen regressiomalli
• MLP-neuroverkot
• Mallin tarkkuuden arviointi
• Support Vector Machine
• K-nearest neighbors algoritmi
• K-means klusterointi (ohjaamaton koneoppiminen)
• Aikasarjat ja rekursiiviset neuroverkot (LSTM)
• Kuvaluokittelu ja konvoluutioneuroverkot
Materials
Muller, Guido: Introduction to Machine Learning with Python
Teaching methods
Virtual study.
Student workload
Independent study 135 h.
Assessment criteria, satisfactory (1)
Erinomainen 5: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija hallitsee koneoppimisen tekniikat monipuolisesti ja osaa perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.
Kiitettevä 4: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat ja osaa perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.
Hyvä 3: Opiskelija tiedostaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Opiskelija osaa soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.
Tyydyttävä 2: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Hän osaa valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida pintapuolisesti toteutuksensa.
Välttävä 1: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat. Hän osaa soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi opiskelija osaa arvioida suppeasti toteutuksensa.
Qualifications
Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Datan esikäsittely ja Datan analysointi opintojaksot