Study Guide

Objective

In this course, student will learn many effective machine learning techniques, and gain practice implementing them. Moreover, student will not only learn about the theoretical background of machine learning, but also gain the practical know-how needed to apply these techniques to problems.

Content

- Introduction to machine learning
- Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks)
- Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning)
- Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI).

Evaluation scale

0 - 5

Assessment criteria, excellent (5)

Opiskelija hallitsee ja ymmärtää kaikkien opintojaksolla läpikäytävien menetelmien teoriaperustan osaten lisäksi soveltaa tekniikoita sujuvasti käytännön ongelmien ratkaisemiseen. Opiskelija on myös palauttanut vaaditut tehtävät ajoissa.

Assessment criteria, good (3)

Opiskelija ymmärtää opintojaksolla läpikäytävien menetelmien teoriaperustan pääpiirteissään sekä kykenee soveltamaan suurinta osaa niistä käytännön ongelmien ratkaisemiseen. Opiskelija on palauttanut valtaosan (70 %) vaadituista tehtävät ajoissa.

Assessment criteria, satisfactory (1)

Opiskelija tuntee opintojaksolla läpikäytävien menetelmien teoriaperustan pintapuolisesti sekä kykenee välttävästi soveltamaan osaa tekniikoista käytännön ongelmien ratkaisemiseen. Opiskelija on palauttanut osan (50 %) vaadituista tehtävät ajoissa.