Deep learning 1 (5cr)

Evaluation scale

0 - 5

Content scheduling

Kuvataan Repussa. Noudattaa teoriasivuston tekstimateriaalien lukuja viikoittain.

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.

Execution methods

Online learning; Opening lecture, lecture recordings, exercises, discussion on the online platform. The implementation methods are described in more detail in connection with the implementation.

Accomplishment methods

Lectures (introductory lecture + lecture recordings) and exercises.

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. Aloitusluento on suunnitelman mukaisesti viikolla 3. Kurssilla on kahdeksan viikoittaista aihealuetta. Aikataulua noudattava saa kurssin valmiiksi viikkojen 4–12 välisenä aikana. Kurssin loppuun on jätetty viisi viikkoa puskuria mahdollistamaan liukuvan kurssin suorittamisen.

Sallittu suoritusaika 1.1.-30.4.2026.

Mikäli jokin este estää sinua palauttamasta työtä ajoissa, ano pidennettyä suoritusaikaa välittömästi. Tällainen syy voi olla esimerkiksi sairastuminen tai pakottava muutto vesivahingon takia. Kommunikoi opettajan kanssa heti kun tieto viivästymisestä ilmaantuu. Etukäteen sovittu muutos suoritusaikaan ei vaikuta arviointiin.

Mikäli palautat työn myöhässä anomatta pidennettyä suoritusaikaa, arvosana rajoitetaan maksimiin 3. Mikäli palautus myöhästyy syyslukukauden alkuun asti (ma 24.8.2026 tai myöhemmäksi), arvosana on maksimissaan 1. On suositeltavaa jättää työ tällöin palauttamatta ja osallistua seuraavaan toteutukseen.

Materials

Tehtävät ja tekstimateriaali löytyvät osoitteesta: https://sourander.github.io/syvaoppiminen/

Oppimispäiväkirja 101 -ohjesivusto on osoitteessa: https://sourander.github.io/oat/

Linkit toteutukseen liittyviin YouTube-videoihin jaetaan Reppu-alustan Aloita tästä -osiossa. Opettajan kirjoittaman materiaalin lisäksi kurssin virallista lähdetietoa ovat:

- Géron, A. **Hands-On Machine Learning with Scikit-Learn and PyTorch**. O'Reilly. 2025.
- Prince, S. **Understanding Deep Learning**. The MIT Press. 2023. https://udlbook.github.io/udlbook/

Teaching methods

Kurssin sisältö ja ohjeistus käydään lävitse aloitusluennolla Teams Classroomissa, joka on katsottavissa myös tallenteena myöhemmin. Kurssilla ei ole erillisiä luentoja, vaan kurssin luentomateriaalit on saatavilla videoina.

Kurssilla ei ole erillistä tenttiä, vaan kurssin suoritus perustuu oppimispäiväkirjaan. Oppimispäiväkirjaan liittyy tehtäväpaketti. Lue Reppu-ympäristön Aloita tästä -osiosta tarkemmin, mistä mikäkin materiaali löytyy.

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

Exam schedules

Ei sisällä tenttiä. Oppimispäiväkirjan palautus 30.4.2026 mennessä.

Completion alternatives

Ota yhteyttä opettajaan.

Student workload

Luennoille osallistumisen tai YouTube-tallenteiden katsomisen lisäksi opiskelijan oletetaan käyttävän viikoittain kurssin laajuutta vastaava määrä tunteja tehtävien tekemiseen, itsensä kehittämiseen ja tämän prosessin dokumentointiin oppimispäiväkirjamuodossa. Pidä ajankäytöstäsi kirjaa. Opintojakson laajuus on 5 op, mikä vastaa n. 135 tuntia opiskelijan työtä.

Qualifications

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

Further information

Harjoitustehtävissä saa ja on suositeltavaa käyttää tekoälyä ratkaisujen kartoittamiseen ja oppimisen tukena, kuten myös Redditistä tai StackOverFlowsta tai vastaavista sivustoista löytyviä neuvoja. Muualta saadut komennot ja skriptit tulee testata, kommentoida ja sen toimintaperiaate tulee ottaa selville. Kurssilla käytetään lähdeviittauksia.