Mathematics and Methods in Machine Learning and Neural NetworksLaajuus (5 cr)
Code: TX00DV61
Credits
5 op
Objective
The student understands the basic mathematical machinery required in the neural networks.
He/she is able to carry out machine learning projects that include programming, data manipulation, method selection, model building, and evaluation or interpretation of the outcome.
Content
Matrix and differential calculus, programmatic data manipulation, data clustering, classification, numeric prediction, association discovery and text/web mining methods, recommender systems.
Prerequisites
Basic algebra and statistics, Intermediate programming skills, knowledge on handling measurement data.
Assessment criteria, satisfactory (1)
Students have achieved the course objectives fairly. Students will be able to identify, define and use the course subject area’s concepts and models. The student understands the criteria and principles of the expertise development.
Assessment criteria, good (3)
Students have achieved the course objectives well, even though the knowledge and skills need improvement on some areas. Students are able to define the course concepts and models and are able to justify the analysis. The student is able to apply their knowledge in leisure, study and work situations. The student understands the importance of expertise in the field of information technology and is able to analyze his/her own expertise.
Assessment criteria, excellent (5)
Students have achieved the objectives of the course with excellent marks. Students master commendably the course subject area’s concepts and models. Students are able to make justified and fluent analysis and to present concrete development measures. The students are well prepared to apply their knowledge in leisure, study and work situations. Students are able to analyze the information technology sector expertise and the evolvement of their own expertise.
Assessment criteria, approved/failed
Students have achieved the course objectives. Students will be able to identify, define and use the course subject area’s concepts and models. The student understands the criteria and principles of the expertise development.
Further information
The elective course “Neural Networks for Machine Learning Applications” supports this course. It is recommended that the student participates both courses simultaneously.
Enrollment
18.12.2023 - 14.01.2024
Timing
15.01.2024 - 17.03.2024
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
15 - 35
Degree programmes
- Information and Communication Technology
- Degree Programme in Information Technology
Teachers
- Mikko Pere
- Vesa Ollikainen
Groups
-
TIVI-ELECT1IT Elective Studies / Tivi valinnaiset, moduuli 1
Objective
Opiskelija ymmärtää neuroverkkojen keskeisen matemaattisen koneiston.
Hän kykenee toteuttamaan koneoppimisprojekteja, jotka sisältävät ohjelmointia, datan käsittelyä, menetelmien valintaa, mallinnusta sekä tulosten arviointia ja tulkintaa.
Content
Matriisi- ja differentiaalilaskenta, datan ohjelmallinen käsittely, datan ryvästys ja luokittelu, numeerinen ennustus, assosiaatioiden etsintä, tekstin- ja web-louhinnan menetelmät, suosittelujärjestelmät.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Opiskelija on saavuttanut opintojakson tavoitteet välttävästi. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Assessment criteria, good (3)
Opiskelija on saavuttanut opintojakson tavoitteet hyvin, vaikka tiedoissa ja taidoissa onkin jollain alueilla vielä kehitettävää. Opiskelija osaa määritellä hyvin opintojakson aihepiirin käsitteitä ja malleja ja pystyy tekemään perusteltua analyysiä. Opiskelijalla on valmiuksia soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija ymmärtää asiantuntijuuden merkityksen tietotekniikan alalla ja osaa analysoida omaa asiantuntijuuttaan.
Assessment criteria, excellent (5)
Opiskelija on saavuttanut opintojakson tavoitteet kiitettävästi. Opiskelija hallitsee kiitettävästi opintojakson aihepiirin käsitteet ja mallit. Opiskelija osaa analysoida sujuvasti ja perustellusti sekä esittää käytännön kehittämistoimenpiteitä. Opiskelijalla on hyvät valmiudet soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija osaa analysoida tietotekniiikan alan asiantuntijuutta ja omaa asiantuntijaksi kehittymistään.
Assessment criteria, approved/failed
Opiskelija on saavuttanut opintojakson tavoitteet. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Prerequisites
Algebran ja tilastomatematiikan perusteet, kohtalaiset ohjelmointitaidot, mittaustiedon käsittelytaidot.
Further information
Valinnainen opintojakso "Neuroverkot koneoppimissovelluksissa" tukee tätä kurssia. Suositellaan, että opiskelija osallistuu molemmille kursseille samanaikaisesti.
Enrollment
19.12.2022 - 08.01.2023
Timing
09.01.2023 - 12.03.2023
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
0 - 40
Degree programmes
- Information and Communication Technology
- Degree Programme in Information Technology
Teachers
- Mikko Pere
- Vesa Ollikainen
Groups
-
TIVI-ELECT1IT Elective Studies / Tivi valinnaiset, moduuli 1
Objective
Opiskelija ymmärtää neuroverkkojen keskeisen matemaattisen koneiston.
Hän kykenee toteuttamaan koneoppimisprojekteja, jotka sisältävät ohjelmointia, datan käsittelyä, menetelmien valintaa, mallinnusta sekä tulosten arviointia ja tulkintaa.
Content
Matriisi- ja differentiaalilaskenta, datan ohjelmallinen käsittely, datan ryvästys ja luokittelu, numeerinen ennustus, assosiaatioiden etsintä, tekstin- ja web-louhinnan menetelmät, suosittelujärjestelmät.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Opiskelija on saavuttanut opintojakson tavoitteet välttävästi. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Assessment criteria, good (3)
Opiskelija on saavuttanut opintojakson tavoitteet hyvin, vaikka tiedoissa ja taidoissa onkin jollain alueilla vielä kehitettävää. Opiskelija osaa määritellä hyvin opintojakson aihepiirin käsitteitä ja malleja ja pystyy tekemään perusteltua analyysiä. Opiskelijalla on valmiuksia soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija ymmärtää asiantuntijuuden merkityksen tietotekniikan alalla ja osaa analysoida omaa asiantuntijuuttaan.
Assessment criteria, excellent (5)
Opiskelija on saavuttanut opintojakson tavoitteet kiitettävästi. Opiskelija hallitsee kiitettävästi opintojakson aihepiirin käsitteet ja mallit. Opiskelija osaa analysoida sujuvasti ja perustellusti sekä esittää käytännön kehittämistoimenpiteitä. Opiskelijalla on hyvät valmiudet soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija osaa analysoida tietotekniiikan alan asiantuntijuutta ja omaa asiantuntijaksi kehittymistään.
Assessment criteria, approved/failed
Opiskelija on saavuttanut opintojakson tavoitteet. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Prerequisites
Algebran ja tilastomatematiikan perusteet, kohtalaiset ohjelmointitaidot, mittaustiedon käsittelytaidot.
Further information
Valinnainen opintojakso "Neuroverkot koneoppimissovelluksissa" tukee tätä kurssia. Suositellaan, että opiskelija osallistuu molemmille kursseille samanaikaisesti.
Enrollment
20.12.2021 - 09.01.2022
Timing
10.01.2022 - 13.03.2022
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
School of ICT
Campus
Karaportti 2
Teaching languages
- English
Seats
20 - 40
Degree programmes
- Information and Communication Technology
Teachers
- Mikko Pere
- Vesa Ollikainen
Groups
-
TIVI-ELECT1IT Elective Studies / Tivi valinnaiset, moduuli 1
Objective
Opiskelija ymmärtää neuroverkkojen keskeisen matemaattisen koneiston.
Hän kykenee toteuttamaan koneoppimisprojekteja, jotka sisältävät ohjelmointia, datan käsittelyä, menetelmien valintaa, mallinnusta sekä tulosten arviointia ja tulkintaa.
Content
Matriisi- ja differentiaalilaskenta, datan ohjelmallinen käsittely, datan ryvästys ja luokittelu, numeerinen ennustus, assosiaatioiden etsintä, tekstin- ja web-louhinnan menetelmät, suosittelujärjestelmät.
Further information
Valinnainen opintojakso "Neuroverkot koneoppimissovelluksissa" tukee tätä kurssia. Suositellaan, että opiskelija osallistuu molemmille kursseille samanaikaisesti.
Evaluation scale
0-5
Assessment criteria, satisfactory (1)
Opiskelija on saavuttanut opintojakson tavoitteet välttävästi. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Assessment criteria, good (3)
Opiskelija on saavuttanut opintojakson tavoitteet hyvin, vaikka tiedoissa ja taidoissa onkin jollain alueilla vielä kehitettävää. Opiskelija osaa määritellä hyvin opintojakson aihepiirin käsitteitä ja malleja ja pystyy tekemään perusteltua analyysiä. Opiskelijalla on valmiuksia soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija ymmärtää asiantuntijuuden merkityksen tietotekniikan alalla ja osaa analysoida omaa asiantuntijuuttaan.
Assessment criteria, excellent (5)
Opiskelija on saavuttanut opintojakson tavoitteet kiitettävästi. Opiskelija hallitsee kiitettävästi opintojakson aihepiirin käsitteet ja mallit. Opiskelija osaa analysoida sujuvasti ja perustellusti sekä esittää käytännön kehittämistoimenpiteitä. Opiskelijalla on hyvät valmiudet soveltaa oppimaansa vapaa-ajan, opiskelun ja työelämän tilanteissa. Opiskelija osaa analysoida tietotekniiikan alan asiantuntijuutta ja omaa asiantuntijaksi kehittymistään.
Assessment criteria, approved/failed
Opiskelija on saavuttanut opintojakson tavoitteet. Opiskelija tunnistaa, osaa määritellä ja käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija ymmärtää asiantuntijuuden kehittymisen edellytykset ja periaatteet.
Prerequisites
Algebran ja tilastomatematiikan perusteet, kohtalaiset ohjelmointitaidot, mittaustiedon käsittelytaidot.
Further information
Valinnainen opintojakso "Neuroverkot koneoppimissovelluksissa" tukee tätä kurssia. Suositellaan, että opiskelija osallistuu molemmille kursseille samanaikaisesti.