Advanced Deep Learning and Neural Networks (5op)

Arviointiasteikko

0-5

Tavoitteet

Opiskelija ymmärtää syväoppimisen merkityksen digitalisoituvassa toimintaympäristössä ja tuntee neuroverkkojen tyypit ja rakenteen.

Opiskelija tuntee yleisimmät syväoppimisen menetelmät ja osaa suunnitella ja soveltaa niitä käytännössä dataan sekä tulkita menetelmien tuloksia. Lisäksi opiskelija ymmärtää neuroverkkojen taustalla olevan matematiikan.

Kurssin osaamistavoitteet:
EUYIV EUR-ACE
EUYER EUR-ACE
EUYMJ EUR-ACE

Toteutustavat

Pakollinen kontaktiviikonloppu (kontaktiopetus), etäopiskelu, pakolliset harjoitukset ja ryhmätyö

Sisältö

- Neuroverkon rakenne vs. keinotekoinen neuraaliverkko
- Neuroverkon arkkitehtuuri
- Erilaiset neuroverkot ja niiden sovellukset: CNN, RNN, LSTM, autokorrelaatio, autoenkooderi (CAN) jne.
- Neuroverkon taustalla oleva matematiikka
- Feature engineering
- Neuroverkon koulutusprosessi
- Tappio, tappiofunktiot ja mittarit
- Ali- ja ylisovittuminen
- Tulosten arviointi ja tulkinta
- Regularisointi
- Hyperparametrien säätö
- Siirto ja aktiivinen oppiminen
- Isot kielimallit

Aika ja paikka

Course Kickoff in Teams will in week 36, date will be informed ASAP (4-7 p.m.)

Mandatory contact weekend (remote or hydrid is NOT offered):
Friday 7.11.2025 at 3-9 p.m.
Saturday 8.11.2025 at 9 a.m.-5 p.m.

Only with a medical certificate can you be off. A business trip or similar is not a valid reason for absence.

Oppimateriaalit

Theory in Gitlab pages and assigments/exercises in Moodle.

Arviointikriteerit, tyydyttävä (1)

Sufficient 1: Student has sufficient knowledge of deep learning and neural networks. Student is able to apply the most common techniques of deep learning and has the sufficient knowledge of mathematic behind the technigues. Additionally, the student is able to estimate and validate implementation briefly.

Satisfactory 2: Student has satisfied knowledge of deep learning and neural networks. Student is able to choose suitable deep learning tehnique and apply the technical know-how in practise. Student undestands the mathematic behind the technigues in satisfying level. Additionally, the student is able to estimate and validate implementation superficially.

Arviointikriteerit, hyvä (3)

Good 3: Student has good knowledge of deep learning and neural networks. Student is able to choose appropriate deep learning tehnique and apply the technical know-how in practise. Student undestands well the mathematic behind the technigues in good level. Additionally, the student is able to estimate and validate implementation well.

Very good 4: Student has very good knowledge of deep learning and neural networks. Student is able to choose and justify versatilely deep learning tehnique and apply the technical know-how in practise. Student undestands the mathematic behind the technigues in very good level. Additionally, the student is able to estimate and validate implementation critically.

Arviointikriteerit, kiitettävä (5)

Excellent 5: Student has excellent knowledge of deep learning and neural networks. Student is able to choose and justify deep learning tehnique and apply the technical know-how in practise. Student undestands the mathematic behind the technigues in excellent level. Additionally, the student is able to estimate and validate implementation critically.

Esitietovaatimukset

Python ohjelmoinnin perusteet ja datan käsittelyssä käytettyjen kirjastojen (numpy, pandas, jne.) tuntemus.