Study Guide

Objective

The student understands the basics of deep learning and neural networks and the limitations and opportunities related to teaching them. The student can apply the methods used in deep learning in the Pytorch environment.

Content

- Artificial neurons and neural networks
- Deep learning with neural networks
- Teaching neural networks
- Use of trained neural networks
- Hyperparameters of neural networks
- Using the Pytorch environment
- CNN neural networks (Convolutional Neural Networks)
- RNN neural networks (Recurrent Neural Networks)
- Basics of natural language processing (NLP).

Location and time

Opintojakso järjestetään verkkototeutuksena kevätlukukaudella, lukujärjestyksen mukaisesti.

Aloitusluento viikolla 2
Q&A luennot n. 2 viikon välein klo 17 jälkeen
Suositeltu suoritusaika jakso 3 (1.1.-16.3.2025)
Sallittu suoritusaika 1.1.-30.4.2025

Teaching methods

Kurssin sisältö ja ohjeistus käydään lävitse aloitusluennolla (n. 2h), joka on katsottavissa myös tallenteena myöhemmin. Kurssilla ei ole erillisiä luentoja, vaan kurssin luentomateriaalit on saatavilla videoina. Kurssin materiaalit ja tehtävät ovat Moodlen Reppu-ympäristössä, luentovideot Youtubessa.

Kurssilla ei ole erillistä tenttiä, vaan kurssin suoritus perustuu kurssin harjoitusten palauttamiseen. Harjoitukset tehdään jupyterlab -ympäristössä. Kurssin läpäisy edellyttää kurssin kaikkien tehtävien palauttamisen.

Kurssin aikana järjestetään erillisiä kysy-vastaa -sessioita, joissa voi kysyä epäselvistä asioista ja saada apua tehtävien kanssa. Kurssin keskustelu tapahtuu kurssin discord -kanavalla.

Exam schedules

Ei sisällä tenttiä. Harjoitustehtävien palautus 30.4.2025 mennessä.

Completion alternatives

Ei vaihtoehtoista suoritustapaa.

Student workload

Opintojakson laajuus on 5op, mikä vastaa n. 135 tuntia opiskelijan työtä.

Content scheduling

Kuvataan Repussa.

Evaluation scale

0 - 5

Assessment criteria, excellent (5)

Arvosanaan 5 vaaditaan n. 90% kurssin harjoitusten pisteistä. Tämä tarkoittaa käytännössä, että kaikki palautettu koodi toimii ja harjoitusten pohdinta-osiot on tehty kiitettävästi.

Toteutuksen arviointikriteerit, hyvä (3-4)

Arvosanaan 3-4 vaaditaan kaikkien tehtävien palautus ja n. 70% kurssin harjoitusten pisteistä. Palautetut tehtävät toimivat ja harjoitusten pohdinta-osiot on tehty.

Assessment criteria, satisfactory (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.

Prerequisites

Data science mathematics 1 (basic concepts of statistics)
Data science mathematics 2 (matrix algebra)
Python programming