Koneoppimisen perusteet (3op)

Arviointimenetelmät ja arvioinnin perusteet

Kurssin arviointiasteikko löytyy aputyökalusta: https://arviointi.munpaas.com/ sekä auki kirjoitettuna alta. Valitse sivuston vetovalikosta "Oppimispäiväkirja (lähiopetus)".

Kurssin arviointi perustuu 3 numeraalisen kriteerin painotettuun keskiarvoon:

Tietotaidot (50 %): Korkean tietotaidon omaava opiskelija hallitsee kurssilla käsitellyn käytännön ja teorian todistettavasti. Opiskelija tunnistaa oman osaamisensa. Muista antaa numeraalinen arvosana itsellesi!
Asiatyyli (25 %): 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.
Lähdeviitteet (25 %): Hyvin käytetyt lähdeviitteet tukevat kirjoituksen argumentteja. Työ ikään kuin keskustelee lähdeteosten kanssa. Valittujen lähteiden tulee olla luotettavia ja ajantasaisia. Noudata ohjeistettua viittaustyyliä.

Numeroiden lisäksi 1 väitteen tulee olla totta:

Välitarkastukset (Totta/Tarua): Opiskelija on esitellyt välivaiheet opettajalle vähintään KAHTENA eri opetuskertana. Ideaali on, että opiskelija pyytää palautetta ja apua joka viikko.

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
2. Datasetti
3. Puut
4. k-NN
5. k-Means
6. Linear Regression
7. Logistic Regression

Tarkempi aikataulutus ja listaus materiaaleista per viikko esitellään kurssin aikana.

Tavoitteet

Opintojakson suoritettuaan opiskelija tuntee koneoppimisen keskeiset käsitteet, yleisimmät oppimistyypit sekä valittujen perusalgoritmien toimintaperiaatteet. Opiskelija ymmärtää koneoppimisprosessin vaiheet datan esikäsittelystä mallin arviointiin ja osaa hyödyntää koneoppimista käytännön ongelmien ratkaisemisessa Python‑ohjelmointikielen ja yleisten data-analyysikirjastojen avulla. Lisäksi kurssilla tutustutaan algoritmien esimerkkitoteutuksiin ilman kirjastojen tarjoamia valmiita ratkaisuja.

Opintojakson jälkeen opiskelija kykenee...

- tunnistaa erilaisia koneoppimisongelmia ja valita niihin soveltuva menetelmä
- esikäsitellä dataa koneoppimismalleja varten
- ymmärtää ja toteuttaa keskeisten koneoppimisalgoritmien toimintaa sekä teoriassa että käytännössä
- hyödyntää valmiita kirjastoja (esim. scikit-learn) koneoppimismallien kouluttamiseen ja arviointiin
- arvioida mallien suorituskykyä ja tulkita tuloksia kriittisesti

Sisältö

Tarkka algoritmien valinta ja painotus määrittyy opintojakson toteutuksen mukaan, mutta sisältää sekoituksen eri toimintaperiaatteisiin perustuvia malleja, kuten todennäköisyysmalleja (Naive Bayes), puurakenteisiin perustuvia malleja (Decision Tree), etäisyyksiin perustuvia malleja (k-NN, k-Means), sekä datan käsittelyssä hyödyllisiä algoritmeja, kuten koordinaattimuutokseen tai dimensiovähennykseen liittyvät mallit (PCA).

Aika ja paikka

Lähiopetus

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.

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/

Tämä kurssi hyödyntää samoja materiaaleja kuin laajempi 5 opintopisteen kokonaisuus, mutta joitakin aihealueita ja tehtäviä on supistettu pois.

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.

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.