Opinto-opas

Tavoitteet

Kurssin suoritettuaan opiskelija:
- Osaa kertoa, mitä data-analyysi ja koneoppiminen ovat
- Osaa kertoa miksi data-analyysiä ja koneoppimista käytetään
- Osaa analysoida ja visualisoida dataa
- Osaa kuvata koneoppimisprosessin
- Osaa käyttää soveltuvia työkaluja data-analyysiin ja koneoppimiseen

Sisältö

Johdatus data-analyysiin ja koneoppimiseen
Data-analyysin prosessi ja menetelmät
Koneoppimisen prosessi ja menetelmät
Käytännön harjoittelu

Oppimateriaalit

Kurssikirja:

Aurélien Géron.
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
2nd Edition.
Publisher : O'Reilly Media; 2nd edition
(October 15, 2019)

tai saman kirjan 3. painos (November 2022)

Luemme valikoiden kirjan lukuja 1-10. Niissä on noin 300 sivua, mutta osasta hypätään yli.

Kurssikirja on luettavissa sähköisessä muodossa oppilaitoksemme eBook Central -tietokannasta.

Kurssilla on myös luettavaa, joka ilmoitetaan kurssin aikana

Tenttien ajankohdat ja uusintamahdollisuudet

Ei tenttiä.

Sisällön jaksotus

Johdatus koneoppimiseen
Koneoppimisprojektin vaiheet:
- tehtävään perehtyminen
- datan tarkastelu
- datan jalostaminen
- mallin valinta ja arviointi
- mallin ottaminen tuotantoon
Numeerinen ennustaminen
Luokittelu
Klusterianalyysi
*
Etenemme pääpiirteissään kurssikirjan lukujen mukaisesti.
Ryhmätyö

Arviointiasteikko

H-5

Arviointimenetelmät ja arvioinnin perusteet

Opintojakso arvostellaan skaalalla 0-5.
*
Saadakseen hyväksytyn suorituksen opiskelijan on saatava hyväksyttävä merkintä sekä 1) henkilökohtaisista harjoitustehtävistä että 2) ryhmätyöstä.
*
Jokaisesta harjoitustehtävästä voi saada vähintään 10 pistettä. Kaikista 10 harjoitustehtävästä voi saada siis yhteensä maksimissaan 100 pistettä.
Henkilökohtaiset harjoitustehtävät: 25 pistettä -> arvosana 0,5; 38 -> 1,0; 50 -> 1,5; 63 -> 2,0; 75 - 2,5; 88 -> 3,0. Tehtävät tarkastetaan demoissa. Demokerroilla on oltava läsnä.
Osallistuminen ryhmätyöhön: 0,0 - 2,0.
*
(Molemmissa tapauksissa 0,5 on ensimmäinen hyväksytty arvosana)