Siirry suoraan sisältöön

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
PTIETS22swis
PTIETS22 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
Muutokset varauksiin voivat olla mahdollisia.

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.

Siirry alkuun