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

Pääosin oheisen kirjan mukaisesti (kappaleista 1 -10)
[Aurélien Géron] Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Publisher : O'Reilly Media; 2022, 3rd Edition

Lisäksi: Opettajan laatima materiaali, verkkomateriaali sekä oppimisympäristön tehtävät.

Opetusmenetelmät

Lähiopetus, tietokoneavusteinen opetus, tehtäväperustaisuus

Tenttien ajankohdat ja uusintamahdollisuudet

-

Pedagogiset toimintatavat ja kestävä kehitys

Opintojakso sisältää noin 12 ohjattua työskentely- ja teoriakertaa, 9 henkilökohtaista harjoitustehtävää ja ryhmätyön.

Ryhmätyö tehdään 3-4 hengen ryhmissä.

Opintojaksolla käytetään vain sähköisiä materiaaleja. Lisäksi seurantaa järjestetään myös verkossa, jotta vähennetään liikkumisesta johtuvaa hiilijalanjälkeä.

Opiskelijan ajankäyttö ja kuormitus

Kontaktitunnit:
- Kurssin aloitus: 2h
- Viikot 3 - 5: Teoria & käytäntö (3h/viikko): 5 x 3h = 15h
- Viikot 9 - 15: Teoria & käytäntö (3h/viikko): 7 x 3h = 21h
- Viikko 16: Projektitöiden esitykset: 3h
- Lisäksi viikoilla 4 - 15 noin 10 tuki- ja kyselytuntia: 10 x 1h = 10h

Kontaktitunnit yhteensä: noin 51h

Itsenäinen opiskelu ja kotitehtävät: noin 90 h

Yhteensä: noin 130h

Sisällön jaksotus

Viikko 2:
- Machine learning landscape (Johdanto koneppimiseen)
Viikot 3 - 7:
- End-to-end machine learning process (Koneoppimisprosessi)
Viikot 9-15:
- Ryhmätyön esittely
- Classification (Luokittelu)
- Training linear models (Lineaariset mallit)
- Decision trees (Päätöspuut)
- Unsupervised learning (Ohjaamaton oppiminen)
- Neural networks (Johdanto neuroverkkoihin)
Viikko 16: Projektitöiden esitys

Viestintäkanava ja lisätietoja

Kurssin materiaalit ja tehtävien ovat ITS.ssä.
Harjoitustehtävät suoritetaan pääosin Jupyter Notebookilla.
Kurssin tiedotus ITS:n kautta, mutta myös kurssin Teams-kanavan kautta.

Arviointiasteikko

H-5

Arviointimenetelmät ja arvioinnin perusteet

Kurssi arvostellaan asteikolla 0-5.

Saat pisteitä kontakitunnille tehdyistä harjoituksista ja kotitehtävistä, jotka vaikuttavat arvosteluun 3 yksikön verran.
Noin puolet harjoituksista tehdään kontaktitunneilla.

Projektityö vaikuttaa myös arvosteluun 2 yksikön verran. Projekityöstä saa ITS:iin arvion 0 - 5, johon vaikuttaa sekä opettajan arvio että muun projektitiimin antama vertaisarvio.

Kurssia voi läpäistä vain tekemällä sekä harjoitustehtäviä että osallistumalla projektityöhön.

Hylätty (0)

Opiskelija EI osallistu projektityöhön tai saa siitä arvosanan 0 TAI ei saanut vähintään 40% kurssin harjoitusten pisteistä.

Arviointikriteerit, tyydyttävä (1-2)

Opiskelija sai 40-59% kurssin harjoitusten tehtävien pisteistä JA sai projektityöstä arvosanan 1 - 3.

Arviointikriteerit, hyvä (3-4)

Opiskelija sai 60-84% kurssin harjoitusten tehtävien pisteistä JA sai projektityöstä arvosanan 3 - 4.

Arviointikriteerit, kiitettävä (5)

Opiskelija sai vähintään 85% kurssin harjoitusten tehtävien pisteistä JA sai projektityöstä arvosanan 5.