Deep learning 1Laajuus (5 cr)
Code: TT00CC66
Credits
5 op
Teaching language
- Finnish
Objective
Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.
Content
- Keinotekoiset neuronit ja neuroverkot
- Syväoppiminen neuroverkoilla
- Neuroverkkojen opettaminen
- Opetettujen neuroverkkojen käyttö
- Neuroverkkojen hyperparametrit
- Pytorch ympäristön käyttö
- CNN neuroverkot (Convolutional Neural Networks)
- RNN neuroverkot (Recurrent Neural Networks)
- Luonnollisen kielen käsittelyn (NLP) perusteet
Qualifications
Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet)
Datatieteen matematiikka 2 (matriisialgebra)
Python-ohjelmointi
Arviointikriteerit, kiitettävä (5)
Arvosanaan 5 vaaditaan n. 90% kurssin harjoitusten pisteistä. Tämä tarkoittaa käytännössä, että kaikki palautettu koodi toimii ja harjoitusten pohdinta-osiot on tehty kiitettävästi.
Arviointikriteerit, tyydyttävä (1)
Arvosanaan 1 vaaditaan kaikkien tehtävien palautus ja 50% kurssin pisteistä. Lisäksi palautetuista kurssin harjoituksista on käytävä ilmi, että opiskelija osaa ottaa käyttöön Pytorch -ympäristön, ladata siihen valmiiksi opetetun mallin ja ajaa sitä.
Enrollment
02.12.2024 - 31.12.2024
Timing
01.01.2025 - 31.07.2025
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
Teknologia
Teaching languages
- Finnish
Degree programmes
- Bachelor’s Degree in Information and Communication Technology
Teachers
- Pekka Huttunen
Groups
-
TTM23SAITTM23SAI
Objective
Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.
Content
- Keinotekoiset neuronit ja neuroverkot
- Syväoppiminen neuroverkoilla
- Neuroverkkojen opettaminen
- Opetettujen neuroverkkojen käyttö
- Neuroverkkojen hyperparametrit
- Pytorch ympäristön käyttö
- CNN neuroverkot (Convolutional Neural Networks)
- RNN neuroverkot (Recurrent Neural Networks)
- Luonnollisen kielen käsittelyn (NLP) perusteet
Evaluation scale
0 - 5
Arviointikriteerit, kiitettävä (5)
Arvosanaan 5 vaaditaan n. 90% kurssin harjoitusten pisteistä. Tämä tarkoittaa käytännössä, että kaikki palautettu koodi toimii ja harjoitusten pohdinta-osiot on tehty kiitettävästi.
Arviointikriteerit, tyydyttävä (1)
Arvosanaan 1 vaaditaan kaikkien tehtävien palautus ja 50% kurssin pisteistä. Lisäksi palautetuista kurssin harjoituksista on käytävä ilmi, että opiskelija osaa ottaa käyttöön Pytorch -ympäristön, ladata siihen valmiiksi opetetun mallin ja ajaa sitä.
Qualifications
Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet)
Datatieteen matematiikka 2 (matriisialgebra)
Python-ohjelmointi
Enrollment
01.12.2023 - 31.01.2024
Timing
01.01.2024 - 16.04.2024
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
Teknologia
Teaching languages
- Finnish
Degree programmes
- Bachelor’s Degree in Information and Communication Technology
Teachers
- Pekka Huttunen
Groups
-
TTM22SAITTM22SAI
Objective
Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.
Content
- Keinotekoiset neuronit ja neuroverkot
- Syväoppiminen neuroverkoilla
- Neuroverkkojen opettaminen
- Opetettujen neuroverkkojen käyttö
- Neuroverkkojen hyperparametrit
- Pytorch ympäristön käyttö
- CNN neuroverkot (Convolutional Neural Networks)
- RNN neuroverkot (Recurrent Neural Networks)
- Luonnollisen kielen käsittelyn (NLP) perusteet
Evaluation scale
0 - 5
Arviointikriteerit, kiitettävä (5)
Arvosanaan 5 vaaditaan n. 90% kurssin harjoitusten pisteistä. Tämä tarkoittaa käytännössä, että kaikki palautettu koodi toimii ja harjoitusten pohdinta-osiot on tehty kiitettävästi.
Arviointikriteerit, tyydyttävä (1)
Arvosanaan 1 vaaditaan kaikkien tehtävien palautus ja 50% kurssin pisteistä. Lisäksi palautetuista kurssin harjoituksista on käytävä ilmi, että opiskelija osaa ottaa käyttöön Pytorch -ympäristön, ladata siihen valmiiksi opetetun mallin ja ajaa sitä.
Qualifications
Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet)
Datatieteen matematiikka 2 (matriisialgebra)
Python-ohjelmointi
Enrollment
01.12.2023 - 31.01.2024
Timing
01.01.2024 - 17.03.2024
Number of ECTS credits allocated
5 op
Mode of delivery
Contact teaching
Unit
Teknologia
Teaching languages
- Finnish
Degree programmes
- Bachelor’s Degree in Information and Communication Technology
Teachers
- Pekka Huttunen
Groups
-
TTV22SAITTV22SAI
Objective
Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.
Content
- Keinotekoiset neuronit ja neuroverkot
- Syväoppiminen neuroverkoilla
- Neuroverkkojen opettaminen
- Opetettujen neuroverkkojen käyttö
- Neuroverkkojen hyperparametrit
- Pytorch ympäristön käyttö
- CNN neuroverkot (Convolutional Neural Networks)
- RNN neuroverkot (Recurrent Neural Networks)
- Luonnollisen kielen käsittelyn (NLP) perusteet
Evaluation scale
0 - 5
Arviointikriteerit, kiitettävä (5)
Arvosanaan 5 vaaditaan n. 90% kurssin harjoitusten pisteistä. Tämä tarkoittaa käytännössä, että kaikki palautettu koodi toimii ja harjoitusten pohdinta-osiot on tehty kiitettävästi.
Arviointikriteerit, tyydyttävä (1)
Arvosanaan 1 vaaditaan kaikkien tehtävien palautus ja 50% kurssin pisteistä. Lisäksi palautetuista kurssin harjoituksista on käytävä ilmi, että opiskelija osaa ottaa käyttöön Pytorch -ympäristön, ladata siihen valmiiksi opetetun mallin ja ajaa sitä.
Qualifications
Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet)
Datatieteen matematiikka 2 (matriisialgebra)
Python-ohjelmointi