Johdatus koneoppimiseen (5 op)

Arviointiasteikko

0 - 5

Sisällön jaksotus

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

Tavoitteet

Opintojakson suoritettuaan opiskelija hallitsee tyypillisimpiä koneoppimistekniikoita ja ymmärtää niiden hyödyntämismahdollisuudet. Teoriaymmärryksen lisäksi opiskelija kykenee soveltamaan oppimiaan menetelmiä käytännön ongelmien ratkaisemiseen sekä omaa perusnäkemyksen koneoppimis- ja tekoälysovellusten toteuttamiseen liittyvistä hyvistä käytänteistä.

Toteutustavat

Kurssin toteutus tapahtuu pääasiassa tallennettujen tai live-luentojen sekä itsenäisesti tai pienryhmissä tehtävien harjoitusten tai tehtävien varassa.

Suoritustavat

Kurssi suoritetaan kurssin tehtäviä tekemällä. Tehtävät palautetaan kurssin toteutuksen alussa esitellyn aikataulun ja formaatin mukaisesti. Kurssiin voi sisältyä toteutuksesta riippuen myös tentti.

Sisältö

- Johdatus koneoppimiseen
- Työnkulun tyypilliset vaiheet
- Datan käsittelyn alkeet (Z-score, Box-Cox, jne.)
- Mallin suorituskyvyn mittaus (MSE, F1 jne.)
- Useita eri algoritmeja, kuten:
- Naive Bayes
- Päätöspuu
- k-NN
- k-Means
- Linear Regression (Hill Climbing ja/tai Gradient Descent)

Aika ja paikka

Etäopetus iltaisin

Oppimateriaalit

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/

Opetusmenetelmät

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/

Toteutuksen valinnaiset suoritustavat

Ota yhteyttä opettajaan.

Opiskelijan ajankäyttö ja kuormitus

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.

Arviointikriteerit, tyydyttävä (1)

Opiskelija käyttää asianmukaisesti keskeisiä kurssin aihepiirin käsitteitä ja osaa nimetä ammattialansa perustiedot. Opiskelija toimii tarkoituksenmukaisesti, joskin toiminta voi olla vielä epävarmaa ja vaatii ohjausta. Opiskelija käyttää toiminnassaan tarkoituksenmukaisesti ammattialansa tekniikoita ja malleja sekä toimii ammattieettisten periaatteiden mukaisesti.

Arviointikriteerit, hyvä (3)

Opiskelija käyttää johdonmukaisesti ammattialansa käsitteitä ja osaa nimetä, kuvailla ja perustella ammattialansa perustiedot. Opiskelija valitsee tarkoituksenmukaisia toimintatapoja hankkimansa tiedon ja ohjeistuksen perusteella sekä soveltaa tarkoituksenmukaisesti ammattialansa toimintaan soveltuvia tekniikoita ja malleja. Opiskelija arvioi ja reflektoida omaa osaamistaan ja osaa perustella toimintansa ammattieettisten periaatteiden mukaisesti.

Arviointikriteerit, kiitettävä (5)

Opiskelija käyttää asiantuntevasti ja laaja-alaisesti ammattialansa käsitteitä sekä yhdistää niitä kokonaisuuksiksi. Opiskelija osaa analysoida, reflektoida ja arvioida kriittisesti omaa osaamistaan ja ammattialansa toimintatapoja hankkimansa tiedon avulla. Opiskelija osaa myös valita ja arvioida kriittisesti ammattialansa tekniikoita ja malleja sekä käyttää niitä toiminnassaan ja soveltaa kriittisesti ammattieettisiä periaatteita toiminnassaan.

Esitietovaatimukset

Git-, Python- ja Jupyter Notebook -osaaminen oltava vähintään perusteiden tasolla.

Lisätiedot

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.