Syväoppiminen 1 (5 op)

Arviointiasteikko

0 - 5

Sisällön jaksotus

Kuvataan Repussa.

Tavoitteet

Opiskelija ymmärtää syväoppimisen ja neuroverkkojen perusteet ja niiden opettamiseen liittyvät rajoitukset ja mahdollisuudet. Opiskelija osaa soveltaa syväoppimisessa käytettäviä menetelmiä Pytorch ympäristössä.

Suoritustavat

Verkko-opiskelu; Aloitusluento, luentotallenteet, harjoitustehtävät, keskustelu verkko-alustalla. Toteutustavat kuvataan tarkemmin toteuteuksen yhteydessä.

Suoritustavat

Luennot (aloitusluento + luentotallenteet) sekä harjoitustehtävät.

Sisältö

- Keinotekoiset neuronit ja neuroverkot - Syväoppiminen neuroverkoilla - Neuroverkkojen opettaminen - Opetettujen neuroverkkojen käyttö - Neuroverkkojen hyperparametrit - Pytorch ympäristön käyttö - CNN neuroverkot (Convolutional Neural Networks) - RNN neuroverkot (Recurrent Neural Networks) - Luonnollisen kielen käsittelyn (NLP) perusteet

Aika ja paikka

Opintojakso järjestetään verkkototeutuksena kevätlukukaudella, lukujärjestyksen mukaisesti. Aloitusluento viikolla 2 Q&A luennot n. 2 viikon välein klo 17 jälkeen Suositeltu suoritusaika jakso 3 (1.1.-16.3.2025) Sallittu suoritusaika 1.1.-30.4.2025

Opetusmenetelmät

Kurssin sisältö ja ohjeistus käydään lävitse aloitusluennolla (n. 2h), joka on katsottavissa myös tallenteena myöhemmin. Kurssilla ei ole erillisiä luentoja, vaan kurssin luentomateriaalit on saatavilla videoina. Kurssin materiaalit ja tehtävät ovat Moodlen Reppu-ympäristössä, luentovideot Youtubessa. Kurssilla ei ole erillistä tenttiä, vaan kurssin suoritus perustuu kurssin harjoitusten palauttamiseen. Harjoitukset tehdään jupyterlab -ympäristössä. Kurssin läpäisy edellyttää kurssin kaikkien tehtävien palauttamisen. Kurssin aikana järjestetään erillisiä kysy-vastaa -sessioita, joissa voi kysyä epäselvistä asioista ja saada apua tehtävien kanssa. Kurssin keskustelu tapahtuu kurssin discord -kanavalla.

Tenttien ajankohdat ja uusintamahdollisuudet

Ei sisällä tenttiä. Harjoitustehtävien palautus 30.4.2025 mennessä.

Toteutuksen valinnaiset suoritustavat

Ei vaihtoehtoista suoritustapaa.

Opiskelijan ajankäyttö ja kuormitus

Opintojakson laajuus on 5op, mikä vastaa n. 135 tuntia opiskelijan työtä.

Esitietovaatimukset

Datatieteen matematiikka 1 (tilastotieteen peruskäsitteet) Datatieteen matematiikka 2 (matriisialgebra) Python-ohjelmointi