Koneoppimisen perusteet (3cr)

Evaluation methods and criteria

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.

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
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.

Objective

After completing the course, the student is familiar with the core concepts of machine learning, the most common learning paradigms, and the operating principles of selected fundamental algorithms. The student understands the phases of the machine learning process from data preprocessing to model evaluation and is able to apply machine learning methods to practical problems using the Python programming language and common data analysis libraries. In addition, the course introduces example implementations of algorithms without relying on ready-made solutions provided by libraries.

After completing the course, the student is able to:

- identify different types of machine learning problems and select an appropriate method for each
- preprocess data for use in machine learning models
- understand and implement the operation of key machine learning algorithms both theoretically and in practice
- utilize ready-made libraries (e.g. scikit-learn) for training and evaluating machine learning models
- assess model performance and interpret results critically

Content

The specific selection and emphasis of algorithms depends on the course implementation, but the course includes a mix of models based on different operating principles, such as probabilistic models (Naive Bayes), tree-based models (Decision Trees), distance-based models (k-NN, k-Means), as well as algorithms useful for data processing, such as models related to coordinate transformations or dimensionality reduction (PCA).

Location and time

Lähiopetus

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.

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/

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

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.