Tekoäly ja koneoppiminen (5 op)
Toteutuksen tunnus: IT00DP82-3007
Toteutuksen perustiedot
- Ilmoittautumisaika
-
02.12.2024 - 12.01.2025
Ilmoittautuminen toteutukselle on päättynyt.
- Ajoitus
-
13.01.2025 - 16.03.2025
Toteutus on päättynyt.
- Opintopistemäärä
- 5 op
- Lähiosuus
- 5 op
- Toteutustapa
- Lähiopetus
- Yksikkö
- (2019-2024) ICT ja tuotantotalous
- Toimipiste
- Karaportti 2
- Opetuskielet
- englanti
- Paikat
- 0 - 40
- Koulutus
- Master's Degree Programme in Information Technology
- Opettajat
- Peter Hjort
- Vastuuopettaja
- Peter Hjort
- Ryhmät
-
T1624S6-NInformation Technology (MEng): Networking and Services
- Opintojakso
- IT00DP82
Toteutuksella on 8 opetustapahtumaa joiden yhteenlaskettu kesto on 24 t 0 min.
| Aika | Aihe | Tila |
|---|---|---|
|
Ti 14.01.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 21.01.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 28.01.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
|
|
Ti 04.02.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 11.02.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 25.02.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 04.03.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
|
Ti 11.03.2025 klo 17:00 - 20:00 (3 t 0 min) |
Artificial Intelligence and Machine Learning IT00DP82-3007 |
KMD550
Oppimistila
|
Tavoitteet
Kurssi antaa yleisnäkymän teköälyn uusimmista menetelmistä painottuen koneoppimiseen. Kurssilla keskitytään erityisesti syväoppimiseen ja sen soveltamiseen monidimensioisen datan estimointiin, hahmontunnistamiseen, tekstin analysointi jne.
Kurssissa tutustutaan myös vahvistusoppimiseen, jonka avulla voidaan luoda ohjelmia, jotka oppivat älykkäämmiksi ympäristöstään keräämän palautteen avulla. Näin voidaan luoda esim. ohjelma, joka on huomattavasti ihmistä parempi pelaaja Atari-peleissä tai shakissa.
Sisältö
Alla lista teknisistä ja matemaattisista konsepteista jotka sisältyvät kurssiin:
- Syväverkot, lineaarinen ja looginen regressio, menetelmät valitun algoritmin hyvyyden mittaamiseen
- Konvoluutioverkot hahmontunnistamisessa
- Tekstin prosessointi ja analysointi
- Neuroniverkot
- Objektien tunnistaminen YOLO algoritmilla, kasvojen tunnistaminen jne.
Arviointiasteikko
0-5
Arviointikriteerit, tyydyttävä (1)
Opiskelija on saavuttanut opintojakson tavoitteet välttävästi. Opiskelija tunnistaa, osaa määritellä ja
käyttää opintojakson aihepiirin käsitteitä ja malleja. Opiskelija on suorittanut opintojaksossa
vaadittavat oppimistehtävät minimivaatimustasolla. Hänen osaamisensa on kehittynyt siten, että
hänellä on mahdollisuus kehittyä omalla alallaan ja lopulta toimia alan työtehtävissä.
Arviointikriteerit, hyvä (3)
Opiskelija on saavuttanut opintojakson tavoitteet hyvin, vaikka tiedoissa ja taidoissa onkin jollain
alueilla vielä kehitettävää. Hän on suorittanut opintojakson oppimistehtävät tyydyttävällä tai hyvällä
tasolla. Opiskelija osaa määritellä hyvin opintojakson aihepiirin käsitteitä ja malleja ja pystyy
tekemään perusteltua analyysiä. Opiskelijalla on valmiuksia soveltaa oppimaansa opiskelun ja
työelämän tilanteissa.
Arviointikriteerit, kiitettävä (5)
Opiskelija on saavuttanut opintojakson tavoitteet kiitettävästi. Hän on suorittanut opintojakson
oppimistehtävät hyvällä tai kiitettävällä tasolla. Opiskelija hallitsee kiitettävästi opintojakson aihepiirin
käsitteet ja mallit. Opiskelija osaa analysoida sujuvasti ja perustellusti sekä esittää käytännön
kehittämistoimenpiteitä. Opiskelijalla on hyvät valmiudet soveltaa oppimaansa opiskelun ja
työelämän tilanteissa.
Esitietovaatimukset
Ei esitietovaatimuksia