Introduction to Machine Learning (5 cr)

Evaluation scale

0 - 5

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

Location and time

Etäopetus. Aloitusluento ja sovitun mukaan muita luentoja voidaan järjestää läsnäopintoina Raahessa.

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.

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.