Introduction to machine learning (5 cr)

Objective

After completing the course, the student masters the most typical machine learning techniques and understands their utilization possibilities. In addition to theoretical understanding, the student is able to apply the methods he/she has learned to solving practical problems and has his/her own basic view of good practices related to the implementation of machine learning and artificial intelligence applications.

Content

- Introduction to Machine Learning
- Typical steps of the workflow
- Basics of data processing (Z-score, Box-Cox, etc.)
- Measurement of model performance (MSE, F1, etc.)
- Several different algorithms, such as:
- Naive Bayes
- Decision tree
- k-NN
- k-Means
- Linear Regression (Hill Climbing and/or Gradient Descent)

Location and time

Etäopetus iltaisin

Materials

Linkit mahdollisiin Teams-luentojen tallenteisiin sekä lukuvinkit löytyvät Reppu-alustan "Aloita tästä"-osiosta. Kurssin virallinen oppikirja on KAMK Finnasta löytyvä:

Géron, A. (2022). *Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems* (Third edition.). O'Reilly Media, Inc.

Myös ilmaiseksi saatavilla olevaa alan perusteosta voi käyttää hyödyksi, joskin se matematiikan puolesta hieman haastavampi kuin edellinen kirja:
James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. (2023). *An introduction to statistical learning with applications in Python* (First Printing). Springer. Retrieved from https://hastie.su.domains/ISLP/ISLP_website.pdf.download.html

YouTube-materiaalissa, johon saat linkin Reppu-sivustolta, käydään läpi seuraavan sivuston sisältö: https://sourander.github.io/ml-perusteet/

Teaching methods

Oppimispäiväkirja, etukäteen tallennetut YouTube-luennot, live-Teams-luennot, ja itsenäisesti tehtävät harjoitukset. Oppimispäiväkirjaan kirjoitetaan yksi merkintä per viikko ja päivä julkaistaan GitLab Pages -formaatissa opettajan luomaan GitLab-projektiin. Päiväkirja hyödyntää Material for MkDocs -teemaa. Tähän tarjotaan ohjeistus sekä kurssilla että apusivustolla: https://sourander.github.io/oat/

Completion alternatives

Ota yhteyttä opettajaan.

Student workload

Luennoille osallistumisen tai niiden tallenteiden katsomisen lisäksi opiskelijan oletetaan käyttävän viikoittain kurssin laajuutta vastaava määrä tunteja tehtävien tekemiseen, itsensä kehittämiseen ja tämän prosessin dokumentointiin oppimispäiväkirjamuodossa.

Content scheduling

Kurssi etenee viikoittain siten, että eri viikoilla on eri aihe. Kukin aihe tai algoritmi käsitellään kyseisen viikon aikana, ja siihen liittyy harjoitustehtävä, jossa sinun tulee kouluttaa koneoppimismalli annetulla datasetillä. Mallin koulutetaan omalla kotikoneella eikä niihin tarvitse erityisen suurta laskentatehoa. Harjoitukset ovat aktivoiva elementti, joiden perusteella kirjoitat oppimispäiväkirjaa. Pelkkä toimiva ja toimitettu koodi ei siis riitä: on tärkeää, että osaat perustella tekemäsi ratkaisut ja esitellä lähteet, joista olet ratkaisuun löytänyt apua.

Aiheet ovat:

1. Koneoppiminen ja data
2. Bayes
3. Puut
4. k-NN
5. k-Means
6. Linear Regression
7. Logistic Regression

Further information

Harjoitustöissä saa käyttää tekoälyä ratkaisujen kartoittamiseen ja oppimisen tukena. Tekoälyn kirjoittama koodi tulee testata, kommentoida ja koodin sekä koneoppimismallin toimintaperiaate tulee ottaa selville. Oppimispäiväkirjassa esitettyjen johtopäätösten tulee olla sinun omia, mutta tietopohjan tulee perustua lähteisiin. Kielimalli itsessään ei ole luotettava lähde: tarkista kielimallin tulosteen väitteet lähteisiin nojaten.

Evaluation scale

0 - 5

Assessment criteria, excellent (5)

The student uses the concepts of his/her professional field competently and extensively and combines them into wholes. The student can analyze, reflect and critically evaluate his/her own competence and the operating methods of his/her professional field with the help of the knowledge he/she has acquired. The student also knows how to select and critically evaluate the techniques and models of their professional field and use them in their activities and critically apply professional ethical principles in their activities.

Assessment criteria, good (3)

The student consistently uses the concepts of his/her professional field and knows how to name, describe and justify the basic information of his/her professional field. The student chooses appropriate methods of operation based on the knowledge and instructions he/she has acquired, and appropriately applies techniques and models suitable for the operation of his professional field. The student evaluates and reflects on his/her own competence and knows how to justify his/her actions in accordance with professional ethical principles.

Assessment criteria, satisfactory (1)

The student uses the key concepts of the course's subject area appropriately and knows how to name the basic information of his/her professional field. The student acts appropriately, although the action may still be uncertain and requires guidance. The student appropriately uses the techniques and models of his/her professional field in his/her activities and acts in accordance with professional ethical principles.

Assessment methods and criteria

Kurssin arviointiasteikko löytyy aputyökalusta: https://arviointi.munpaas.com/ sekä auki kirjoitettuna alta.

Kurssin arviointi perustuu 4 numeraalisen kriteerin painotettuun keskiarvoon:

Tietotaidot (40 %): Korkean tietotaidon omaava opiskelija hallitsee kurssilla käsitellyn käytännön ja teorian todistettavasti. Opiskelija tunnistaa oman osaamisensa. Muista antaa numeraalinen arvosana itsellesi!
Asiatyyli (20 %): Asiatyyliin kirjoitettu dokumentti muistuttaa opinnäytetyötä, ammattilaisille kirjoitettua artikkelia (esim. Medium.com) tai raporttia. Palautusformaattina on Material for MkDocs -sivusto ellei kurssin tehtävänannossa erikseen toisin sanota. Noudata Oppimispäiväkirja 101 ohjeita.
Opiskeluaktiivisuus (20 %): Aktiivinen opiskelu edistää oppimista ja samalla harjaannuttaa git-versionhallinnan käytössä. Sinulta toivotaan viikoittaista työskentelyä, jonka tulee näkyä git-lokeissa.
Lähdeviitteet (20 %): Hyvin käytetyt lähdeviitteet tukevat kirjoituksen argumentteja. Työ ikään kuin keskustelee lähdeteosten kanssa. Valittujen lähteiden tulee olla luotettavia ja ajantasaisia. Noudata ohjeistettua viittaustyyliä.

Assessment criteria, fail (0)

Opiskelija ei ole ollut läsnä tunneilla (yli 50 % kerroista) eikä ilmoittanut poissaoloistaan valideihin syihin vedoten tai todistanut tehtävien etenemistä muutoin.

Ei näyttöä tarvittavista taidoista.
Teksti ei ole ymmärrettävää ja/tai asiatyylistä.
Työskentelyhistoriasta ei ole näyttöä. Git-historiassa on vain yksi commit juuri ennen palautusta.
Lähdeaineisto on riittämätön.

Assessment criteria, excellent (5)

Opiskelija soveltaa taitoja, vertailee toimintatapoja ja luo uusia johtopäätöksiä. On täysin selvää, että opiskelija osaa kurssilla vaaditut asiat. Hän tunnistaa osaamisensa ja mahdolliset kehittämiskohteet itse.
Teksti on argumentoivaa, oivaltavaa ja lähes virheetöntä asiatyyliä. Tekstin, kuvien, koodin, luetteloiden, väliotsikoiden ja muiden elementtien käyttö on harkittua ja tasapainoista.
Opiskelija on ollut erittäin aktiivinen ja git-lokit ovat selkeät ja täydelliset. Kunkin viikon merkinnän suurin työ on commitoitu kyseisellä viikolla. Mahdolliset poikkeamat on dokumentoitu ja niistä on keskusteltu opettajan kanssa.
Lähdeaineisto on kriittisesti arvioitu ja punnittu. Lähteet ovat luotettavia ja huolella valittu. Opiskelija esittelee uusia näkökulmia ja argumentoi niitä lähteiden avulla tai lähteiden innoittamana.

Toteutuksen arviointikriteerit, hyvä (3-4)

Opiskelija käyttää kurssilla vaadittuja taitoja ja yhdistää ne teoriaan siten, että aihepiirin ymmärrys ei jää epäselväksi. Opiskelija tunnistaa oman osaamisensa tason.
Teksti on huoliteltua ja tehtävänannon mukaista asiatekstiä. Markdown-kieltä ja asiatyyliä on käytetty Oppimispäiväkirja 101 -ohjeistuksen mukaisesti.
Työskentely on ollut aktiivista läpi kurssin, mutta kausittaista. Työtä on tehty noin joka toinen viikko.
Lähteitä on käytetty, ja ne tukevat opiskelijan argumentointia. Lähdeaineiston käyttö on systemaattista ja lukijalle selkeää.

Assessment criteria, satisfactory (1)

Opiskelija listaa perustaitoja. Kurssin sanasto ja jotkin työvaiheet ovat läsnä, mutta opiskelijan oma tietotaidon määrä ei ole vahvasti todistettuna.
Teksti on tyylillisesti jäsentymätöntä. Esiintyy suuria määriä tyyli- ja/tai kielivirheitä, jotka vaikeuttavat tekstin lukemista, tai teknisiä virheitä, jotka estävät dokumentaation lukemisen.
Työ on tehty viikossa. Git-historiasta löytyy myös toisilta viikoilta esimerkiksi typon korjaus, mutta käytännössä koko työ on yhdeltä istumalta tehty.
Lähdeaineistoa on listattu, mutta runko on kirjoitettu ilman lähteitä.

Prerequisites

Knowledge of Git, Python and Jupyter Notebook must be at least at the basic level.