Neural NetworksLaajuus (5 cr)
Code: TX00EY33
Credits
5 op
Objective
The student understands the structure of different types of neural networks and the mathematical methods behind their operation. He acquires the skills needed to create and work with neural networks and the skills involved in programming, data processing, method selection, model construction and interpretation of results, and learns to apply these skills in a variety of machine learning tasks involving e.g. image classification and natural language processing.
Content
- Neural network as a classifier and predictor of numerical values
- Convolutional and feedback neural networks
- Neural network applications
Prerequisites
Data Handling and Machine Learning
Assessment criteria, satisfactory (1)
The student has achieved the course objectives fairly. The student will be able to identify, define and use the course subject area’s concepts and models. The student has completed the required learning exercises in minimum requirement level.
Assessment criteria, good (3)
The student has achieved the course objectives well, even though the knowledge and skills need improvement on some areas. The student has completed the required learning exercises in good or satisfactory level. The student is able to define the course concepts and models and is able to justify the analysis.
Assessment criteria, excellent (5)
The student has achieved the objectives of the course with excellent marks. The student master commendably the course subject area’s concepts and models. The student has completed the required learning exercises in good or excellent level. The student is able to make justified and fluent analysis.
Assessment criteria, approved/failed
The student has achieved the course objectives. The student will be able to identify, define and use the course subject area’s concepts and models. The student has completed the required learning exercises.
Enrollment
06.05.2024 - 18.08.2024
Timing
21.10.2024 - 15.12.2024
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Myllypurontie 1
Teaching languages
- Finnish
Seats
0 - 35
Degree programmes
- Information and Communication Technology
Teachers
- Mikko Pere
- Juha Kopu
Groups
-
TVT22-OOhjelmistotuotanto
Objective
Opiskelija ymmärtää erityyppisten neuroverkkojen rakenteen ja niiden toiminnan taustalla olevat matemaattiset menetelmät. Hän hankkii neuroverkkojen luomiseen ja niiden kanssa työskentelyyn tarvittavat tiedot ja ohjelmointiin, tiedonkäsittelyyn, menetelmän valintaan, mallin rakentamiseen ja tulosten tulkintaan liittyvät taidot, ja oppii soveltamaan näitä taitoja erilaisissa koneoppimistehtävissä, joissa on mukana mm. kuvan luokittelu ja luonnollisen kielen käsittely.
Content
- Neuroverkko luokittelijana ja numeeristen arvojen ennustajana
- Konvolutiiviset ja takaisinkytkeytyvät neuroverkot
- Neuroverkkojen sovellukset
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Opiskelija on saavuttanut kurssin tavoitteet tyydyttävästi. Hän tunnistaa ja osaa nimetä opintojaksolla käsiteltyjä käsitteitä, menetelmiä ja työkaluja. Hän on suorittanut opintojaksolla annetut tehtävät minimivaatimuksin.
Assessment criteria, good (3)
Opiskelija on saavuttanut kurssin tavoitteet hyvin. Hän tunnistaa, osaa nimetä ja pystyy käyttämään opintojaksolla käsiteltyjä käsitteitä, menetelmiä ja työkaluja. Hän on suorittanut opintojaksolla annetut tehtävät hyvin.
Assessment criteria, excellent (5)
Opiskelija on saavuttanut kurssin tavoitteet erinomaisesti. Hän tunnistaa, osaa nimetä, pystyy käyttämään ja soveltamaan opintojaksolla käsiteltyjä käsitteitä, menetelmiä ja työkaluja monipuolisesti. Hän on suorittanut opintojaksolla annetut tehtävät erinomaisesti ja on pystynyt tuomaan ratkaisuihin merkittävästi omaa panostaan.
Assessment criteria, approved/failed
Opiskelija on saavuttanut kurssin tavoitteet. Hän tunnistaa ja osaa nimetä opintojaksolla käsiteltyjä menetelmiä ja työkaluja. Hän on suorittanut opintojaksolla annetut tehtävät.
Prerequisites
Datan käsittely ja koneoppiminen