Opetussuunnitelmat

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.9+-ympäristöä, Git-versiohallintaa, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op.) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Opintojakso arvioidaan palautettujen harjoitustehtävien perusteella.
Arviointimenetelmät käydään läpi opintojakson alussa.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, kirjastoista scikit-learn ja Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan kevätlukukaudella 2023.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan syyslukukaudella 2022.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Opintojaksolla hyödynnetään Python 3.8+-ympäristöä, Git-versiohallintaa, scikit-learn, Pandas, visualisointikirjastoja sekä muita soveltuvia kirjastoja.

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyviin luento- ja esimerkkimateriaaleihin perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Opintojakson sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan palautettujen harjoitustehtävien avulla.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.

Tavoitteet

Ymmärrät koneoppimisen perusperiaatteet. Tiedät yleisimmät koneoppimisen menetelmät, osaat soveltaa niitä käytännössä olemassa olevaan dataan sekä tulkita menetelmien tulokset.

EUR-ACE-osaamiset:
Tieto ja ymmärrys
Tekniikan soveltaminen käytäntöön
Tutkimukset ja tiedonhaku

Sisältö

- Ohjattu ja ohjaamaton koneoppiminen sekä yleisimmät regressio- ja luokittelumallit
- Soveltaminen käyttäen Python-kirjastoja (NumPy, Pandas ja scikit-learn)
- Datan formaatti ja laatu
- Datajoukon jako opetus- ja testidataan
- Mallin tarkkuuden arviointi

Erilaiset koneoppimisen mallit:
- k lähintä naapuria (k-nearest neighbors)
- k-means -klusterointi
- Naiivi Bayes-menetelmä
- Tukivektorikone (Support Vector Machine)
- Pääkomponenttianalyysi (PCA)
- Päätöspuut ja satunnaismetsä
- Perseptroni (yksinkertainen neuroverkko)

Aika ja paikka

Opintojakso toteutetaan alkuvuodesta 2022.

Oppimateriaalit

Materiaali harjoitustehtäviä ja opiskeltavia asiasisältöjä varten jaetaan kurssin aikana. Kurssilla hyödynnetään Python 3.7+-ympäristöä, git-versiohallintaa, scikit-learn-kirjastoa ja muita koneoppimiskirjastoja. Lisäksi hyvän pohjan antavat esimerkiksi seuraavat:

[1] Simeone O. (2018). A Brief Introduction to Machine Learning for Engineers. arXiv preprint arXiv:1709.02840v3 [cs.LG]. (237 pages) https://arxiv.org/abs/1709.02840

[2] Hastie, T., Tibshirani R., & Friedman J. (2017). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. (764 pages) https://web.stanford.edu/~hastie/ElemStatLearn/

Opetusmenetelmät

Virtuaalinen opiskelu sisältäen harjoitustehtävien tekemisen sekä niihin liittyvään sisältöön perehtymisen.

Harjoittelu- ja työelämäyhteistyö

Kurssin sisältö pyritään kytkemään työelämässä esiintyviin ongelmiin.

Tenttien ajankohdat ja uusintamahdollisuudet

Kurssi arvioidaan palautettujen harjoitustehtävien avulla.

Toteutuksen valinnaiset suoritustavat

Hyväksilukemisen menettelytavat kuvataan tutkintosäännössä ja opinto-oppaassa. Opintojakson opettaja antaa lisätietoa mahdollisista opintojakson erityiskäytänteistä.

Opiskelijan ajankäyttö ja kuormitus

Yhden opintopisteen työmäärä vastaa 27 tunnin opiskelutyötä. Yhteensä opiskelutyömäärä (4 op) kurssilla on 108 tuntia.

Lisätietoja opiskelijoille

Arvosana määräytyy alla olevien osaamistasojen mukaisesti:

Erinomainen 5: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat ja osaa kriittisesti perustella käytettyjen tekniikoiden käytön erilaisissa koneoppimistehtävissä. Hän osaa kriittisesti perustella ja valita oikeat tekniikat koneoppimiseen riippumatta lähdeaineistosta ja osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Kiitettevä 4: Opiskelija tunnistaa koneoppimisen tuomat hyödyt digitalisaation aikakautena. Opiskelija osaa koneoppimisen yleisimmin käytetyt tekniikat ja osaa laajasti perustella käytettyjen tekniikoiden käytön erilaisissa koneoppimistehtävissä. Hän osaa monipuolisesti perustella ja valita oikeat tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida perusteellisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Opiskelija tiedostaa koneoppimisenn hyödyt digitalisaation aikakautena. Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat erilaisissa koneoppimistehtävissä. Hän osaa perustella ja valita tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida toteutuksensa ja perustella sen kehittämistä.

Tyydyttävä 2: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat koneoppimistehtävissä. Hän osaa valita tekniikat koneoppimiseen ja hän osaa soveltaa teknistä osaamistaan käytännössä. Lisäksi opiskelija osaa arvioida pintapuolisesti toteutuksensa.

Välttävä 1: Opiskelija tietää koneoppimisen yleisimmin käytetyt tekniikat koneoppimistehtävissä. Hän osaa soveltaa yleisimpiä tekniikoita koneoppimisessa. Lisäksi opiskelija osaa arvioida suppeasti toteutuksensa.

Hylätty 0: Opiskelija ei hallitse aihealuetta.

Arviointiasteikko

0-5

Arviointikriteerit, tyydyttävä (1)

Tyydyttävä 2: Tiedät koneoppimisen yleisimmin käytetyt tekniikat ja erilaisille ongelmille. Osaat valita koneoppimisen tekniikat ja soveltaa teknistä osaamistaan käytännössä. Lisäksi osaat arvioida pintapuolisesti toteutuksesi.

Välttävä 1: Tiedät koneoppimisen yleisimmin käytetyt tekniikat. Osaat soveltaa yleisimpiä koneoppimisen tekniikoita. Lisäksi osaat arvioida suppeasti toteutuksesi.

Arviointikriteerit, hyvä (3)

Kiitettävä 4: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Hyvä 3: Tiedostat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Osaat koneoppimisen yleisimmin käytetyt tekniikat erilaisille ongelmille. Osaat soveltaa teknistä osaamistaan käytännössä arvioida toteutuksensa ja perustella sen kehittämistä.

Arviointikriteerit, kiitettävä (5)

Erinomainen 5: Tunnistat koneoppimisen tuomat hyödyt digitalisaation aikakautena. Hallitset koneoppimisen tekniikat monipuolisesti ja osaat perustella käytettyjen tekniikoiden käytön erilaisissa tehtävissä. Osaat soveltaa teknistä osaamistaan käytännössä ja arvioida kriittisesti toteutuksensa ja perustella sen kehittämistä.

Esitietovaatimukset

Tietotekniikan peruskäyttätaidot, ohjelmoinnin perusosaaminen, Python-ohjelmointikielen tunteminen ja osaaminen.
Lisäksi Laskennalliset algoritmit ja Datan esikäsittely opintojaksot.