Siirry suoraan sisältöön

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-N
Information 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
Muutokset varauksiin voivat olla mahdollisia.

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

Siirry alkuun