Data-analytiikka ja Koneoppiminen (5 op)
Toteutuksen tunnus: 3011633-3006
Toteutuksen perustiedot
- Ilmoittautumisaika
-
01.12.2023 - 17.01.2024
Ilmoittautuminen toteutukselle on päättynyt.
- Ajoitus
-
08.01.2024 - 30.04.2024
Toteutus on päättynyt.
- Opintopistemäärä
- 5 op
- Lähiosuus
- 5 op
- Toteutustapa
- Lähiopetus
- Yksikkö
- Tekniikka ja liiketoiminta
- Toimipiste
- Kupittaan kampus
- Opetuskielet
- suomi
- englanti
- Paikat
- 10 - 35
- Koulutus
- Tietojenkäsittelyn koulutus
- Opettajat
- Golnaz Sahebi
- Matti Kuikka
- Vastuuopettaja
- Matti Kuikka
- Ryhmät
-
PTIETS22swisPTIETS22 Ohjelmistojen kehittäminen ja tietojärjestelmät
- Opintojakso
- 3011633
Toteutuksella on 6 opetustapahtumaa joiden yhteenlaskettu kesto on 14 t 0 min.
Aika | Aihe | Tila |
---|---|---|
Ti 02.04.2024 klo 14:00 - 15:00 (1 t 0 min) |
Kysely- ja tukitunti, Data-analytiikka ja Koneoppiminen 3011633-3006 |
ICT_B1038
IT telakka
|
Pe 05.04.2024 klo 09:00 - 12:00 (3 t 0 min) |
Guidance to Team work, Data-analytiikka ja Koneoppiminen 3011633-3006 |
ICT_C3036
Cyberlab / BYOD
|
Ti 09.04.2024 klo 14:00 - 15:00 (1 t 0 min) |
Kysely- ja tukitunti, Data-analytiikka ja Koneoppiminen 3011633-3006 |
Teams - linkki kurssin ITS:ssä
|
Pe 12.04.2024 klo 09:00 - 12:00 (3 t 0 min) |
Teori ja käytäntö, Data-analytiikka ja Koneoppiminen 3011633-3006 |
ICT_C3036
Cyberlab / BYOD
|
Pe 19.04.2024 klo 10:00 - 13:00 (3 t 0 min) |
Demonstrations. Data-analytiikka ja Koneoppiminen 3011633-3006 |
ICT_C2027
IT telakka
|
Ti 23.04.2024 klo 12:00 - 15:00 (3 t 0 min) |
Team work presentations, Data-analytiikka ja Koneoppiminen 3011633-3006 |
ICT_C2027
IT telakka
|
Arviointiasteikko
H-5
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
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
-
Kansainvälisyys
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
Lisätiedot
Kurssin materiaalit ja tehtävien ovat ITS.ssä.
Harjoitustehtävät suoritetaan pääosin Jupyter Notebookilla.
Kurssin tiedotus ITS:n kautta, mutta myös kurssin Teams-kanavan kautta.