Machine learning (5 cr)

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

Location and time

Opintojakso toteutetaan 3.5.2021 - 24.6.2021 välisenä aikana.

Materials

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Kurssilla hyödynnetään Python 3.7+-ympäristöä, git-versiohallintaa, scikit-learn-kirjastoa ja muita koneoppimiskirjastoja. Lisäksi hyvän pohjan antavat esimerkiksi seuraavat:

[1] Simeone O. (2018). A Brief Introduction to Machine Learning for Engineers. arXiv preprint arXiv:1709.02840v3 [cs.LG]. (237 pages) https://arxiv.org/abs/1709.02840

[2] Hastie, T., Tibshirani R., & Friedman J. (2017). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (764 pages) https://web.stanford.edu/~hastie/ElemStatLearn/

Teaching methods

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyvään sisältöön perehtymisen.

Employer connections

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Exam schedules

Kurssi arvioidaan palautettujen harjoitustehtävien avulla.

Completion alternatives

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Student workload

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (5 op) kurssilla on 135 tuntia.

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

Further information

Arvosana määräytyy alla olevien osaamistasojen mukaisesti:

Erinomainen 5: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat ja osaa kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa koneoppimistehtävissä. Hän osaa kriittisesti perustella ja valita oikeat tekniikat koneoppimiseen riippumatta lähdeaineistosta ja osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Kiitettevä 4: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat ja osaa laajasti perustella käytettyjen tekniikoiden käytön erilaisissa koneoppimistehtävissä. Hän osaa monipuolisesti perustella ja valita oikeat tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida perusteellisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Opiskelija tiedostaa koneoppimisenn hyödyt digitalisaation aikakautena. Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat erilaisissa koneoppimistehtävissä. Hän osaa perustella ja valita tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida toteutuksensa ja perustella sen kehittämistä.

Tyydyttävä 2: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat koneoppimistehtävissä. Hän osaa valita tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida pintapuolisesti toteutuksensa.

Välttävä 1: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat koneoppimistehtävissä. Hän osaa soveltaa yleisimpiä tekniikoita koneoppimisessa. Lisäksi opiskelija osaa arvioida suppeasti toteutuksensa.

Hylätty 0: Opiskelija ei hallitse aihealuetta.