TIES4600 Koneoppiminen (5 op)

Opinnon taso:
Syventävät opinnot
Arviointiasteikko:
0-5
Suorituskieli:
suomi
Vastuuorganisaatio:
Informaatioteknologian tiedekunta
Opetussuunnitelmakaudet:
2024-2025, 2025-2026, 2026-2027, 2027-2028

Avainteksti

Syvennä koneoppimisen taitojasi: opi mallien rakentamista, optimointia ja soveltamista!

Kuvaus

Tämä opintojakso on suunniteltu opiskelijoille, jotka haluavat laajen-taa ja syventää osaamistaan koneoppimisen alueella. Opintojakso tarjoaa perusteellisen ymmärryksen ohjatun ja ohjaamattoman koneoppimisen eroista, lineaaristen ja epälineaaristen koneoppimismallien ominaisuuksista sekä käytännön taitoja koneoppimismenetelmien toteuttamiseen, suorituskyvyn analysointiin ja mallien optimointiin.


Opintojakso yhdistää teorian ja käytännön, tarjoten opiskelijoille vankan perustan koneoppimiseen ja valmiudet soveltaa oppimaansa monimutkaisiin datatieteen ongelmiin.

Osaamistavoitteet

Opintojakson jälkeen opiskelija:
  • Ymmärtää mitä on ohjatun ja ohjaamattoman koneoppimisen ero
  • Ymmärtää mitä tarkoittaa lineaarinen ja epälineaarinen koneoppi-mismalli
  • Osaa toteuttaa koneoppimismenetelmiä luokittelu- ja regressioteh-täviin ja analysoida niiden suorituskykyä
  • Ymmärtää laaja-alaisesti keskeisimpien ohjattujen koneoppimisme-netelmien (tukivektorikone, päätöspuut, satunnaismetsä, neurover-kot, radiaalikantafunktio-verkko) ja tunnetuimpien opetusalgoritmien toimintaperiaatteet (gradienttimenetelmä, pienimmän neliösumman sovitus)
  • Hallitsee keskeisimmät kustannusfunktiot ja mallien suorituskyky metriikat
  • Ymmärtää mitä ovat hyperparametrit ja osaa soveltaa perusmene-telmiä niiden optimointiin
  • Ymmärtää ja hallitsee mallien arviointiin ja valintaan käytettävien ristiinvalidointistrategioiden periaatteet
  • Ymmärtää mallin testaamisen merkityksen
  • Ymmärtää klusteroinnin tarkoituksen, osaa toteuttaa klusterointial-goritmin (k-means) ja tulkita erilaisia klusterointituloksia.
  • Ymmärtää käytetyimpien dimension pienennys menetelmien toi-mintaperiaatteet (PCA, t-SNE). 
  • Ymmärtää eri tyyppisen datan (“curse-of-dimensionality", massadata, puuttuva data, harva data) ja menetelmien valinnan vaikutukset skaalautuvuuteen ja tarkkuuteen.
  • Osaa soveltaa koneoppimismallien kehittämisprosesseja, lähtien raakadatan valinnasta päättyen valittujen mallien testaamiseen ja käyttöönottoon, osaa arvioida tulosten laatua

Esitietojen kuvaus

Datatieteen aineopintokokonaisuus tai vastaavat tiedot.

Oppimateriaalit

Ilmoitetaan toteutuskohtaisesti.

Suoritustavat

Tapa 1

Kuvaus:
Ilmoitetaan toteutuskohtaisesti.
Arviointiperusteet:
Ilmoitetaan toteutuskohtaisesti.
Valitaan kaikki merkityt osat
Suoritustapojen osat
x

Osallistuminen opetukseen (5 op)

Tyyppi:
Osallistuminen opetukseen
Arviointiasteikko:
0-5
Arviointiperusteet:
<p>Ilmoitetaan toteutuskohtaisesti.</p>
Suorituskieli:
suomi
Oppimateriaalit:

Ilmoitetaan toteutuskohtaisesti.

Opetus