Opinto-opas

Tavoitteet (OJ)

Opiskelija tuntee tekoälyn uusimmat menetelmät ja toteutustavat. Opiskelija osaa tehdä kokeiluja valitsemaansa tekoälyaiheeseen soveltuvassa tapauksessa. Opiskelija osaa esittää perehtymänsä menetelmän muille.

Sisältö (OJ)

Tekoälyn uusimpiin menetelmiin ja toteutuksiin perehtyminen. Aiheen valinta ja kokeilujen toteutus. Työpajatyöskentelyä. Tulosten esittäminen seminaareissa.

Esitietovaatimukset (OJ)

Data-analyysi ja Tekoälyn perusteet

Arviointikriteerit, tyydyttävä (1-2) (OJ)

Opiskelija esittää valitsemansa tekoälyaiheen muille

Arviointikriteerit, hyvä (3-4) (OJ)

Opiskelija on perehtynyt valittuun tekoälyaiheeseen ja kykenee esittämään valitun aiheen muille

Arviointikriteerit, kiitettävä (5) (OJ)

Opiskelija on perehtynyt valittuun tekoälyaiheeseen syvällisesti ja osaa esittää monipuolisesti valitun aiheen hyödyntämiseen liittyvät piirteet

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Arviointimenetelmät ja kriteerit (min(5, arvosana_pts), pyöristys alaspäin :-) ):

1 - Seminaari esitys pidetty (pakollinen)

+1 - Seminaari esityksen laajuus ja sisältö asianmukainen

+0.5 - Väliraportti palautettu ajallaan

+0.5 - Loppuraportti ja lopullinen esitysmateriaali palautettu ajallaan

SEKÄ

(+1 - Seminaariesitys sisältää myös "live-demon" tms., mahd. kolmannen osapuolen tekemää sovellusta hyödyntäen. Tämä voi olla esim. käyttödemo tai valmiin sovelluksen analysointi --- jota esitellään esityksen yhteydessä mutta jota ei ole tarvinnut itse tehdä. Plan-B:nä on hyvä ottaa kuitenkin esityskalvoihin pari ruuduunkaappauskuvaa sen varalta, että live-demossa tulee teknisiä ongelmia.

TAI

+2 - Seminaariesitys sisältää myös aiheesta itse koodaamalla tehdyn pienen käytännön esimerkin, jonka koodi löytyy kurssin osoittamasta GitLabista.)

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Kurssin aikana tutustutaan valittuun tekoälyn tai sen sovelluksen aihepiiriin pienryhmissä (tiivis väliraportti), syvennetään siihen liittyvää omaa osaamista (lyhyt loppuraportti) ja valmistellaan aiheesta sovellus ja edelleen esitys muille kurssin osallistujille (seminaariesityksen esityskalvot tms. materiaali). Aikataulut, ohjeistus, aineistot ja tehtävien palautus Moodlessa.

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon.

Arviointikriteerit - hylätty (0) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

ei seminaariesitystä

Arviointikriteerit - tyydyttävä (1-2) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija tutkii ja analysoi tekoälyratkaisuita ja tunnistaa datan roolin osana tekoälysovelluksia.

Arviointikriteerit - hyvä (3-4) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija osaa tutkia ja analysoida tekoälyratkaisuita eri näkökulmista ja ymmärtää datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa hyvin tilanteita, joissa tekoälyä voidaan hyödyntää ja ymmärtää, millaista dataa tällöin tarvitaan.

Arviointikriteerit - kiitettävä (5) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija osaa tutkia ja analysoida tekoälyratkaisuita monipuolisesti ja ymmärtää hyvin datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa erinomaisesti tilanteita, joissa tekoälyä voidaan hyödyntää ja ymmärtää hyvin, millaista dataa tällöin tarvitaan ja onko dataa riittävästi saatavilla ja mistä dataa saadaan lisää.

Tavoitteet (OJ)

Opiskelija tuntee tekoälyn uusimmat menetelmät ja toteutustavat. Opiskelija osaa tehdä kokeiluja valitsemaansa tekoälyaiheeseen soveltuvassa tapauksessa. Opiskelija osaa esittää perehtymänsä menetelmän muille.

Sisältö (OJ)

Tekoälyn uusimpiin menetelmiin ja toteutuksiin perehtyminen. Aiheen valinta ja kokeilujen toteutus. Työpajatyöskentelyä. Tulosten esittäminen seminaareissa.

Esitietovaatimukset (OJ)

Data-analyysi ja Tekoälyn perusteet

Arviointikriteerit, tyydyttävä (1-2) (OJ)

Opiskelija esittää valitsemansa tekoälyaiheen muille

Arviointikriteerit, hyvä (3-4) (OJ)

Opiskelija on perehtynyt valittuun tekoälyaiheeseen ja kykenee esittämään valitun aiheen muille

Arviointikriteerit, kiitettävä (5) (OJ)

Opiskelija on perehtynyt valittuun tekoälyaiheeseen syvällisesti ja osaa esittää monipuolisesti valitun aiheen hyödyntämiseen liittyvät piirteet

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Arviointimenetelmät ja kriteerit (min(5, arvosana_pts), pyöristys alaspäin :-) ):

1 - Seminaari esitys pidetty (pakollinen)

+1 - Seminaari esityksen laajuus ja sisältö asianmukainen

+0.5 - Väliraportti palautettu ajallaan

+0.5 - Loppuraportti ja lopullinen esitysmateriaali palautettu ajallaan

SEKÄ

(+1 - Seminaariesitys sisältää myös "live-demon" tms., mahd. kolmannen osapuolen tekemää sovellusta hyödyntäen. Tämä voi olla esim. käyttödemo tai valmiin sovelluksen analysointi --- jota esitellään esityksen yhteydessä mutta jota ei ole tarvinnut itse tehdä. Plan-B:nä on hyvä ottaa kuitenkin esityskalvoihin pari ruuduunkaappauskuvaa sen varalta, että live-demossa tulee teknisiä ongelmia.

TAI

+2 - Seminaariesitys sisältää myös aiheesta itse koodaamalla tehdyn pienen käytännön esimerkin, jonka koodi löytyy kurssin osoittamasta GitLabista.)

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Kurssin aikana tutustutaan valittuun tekoälyn tai sen sovelluksen aihepiiriin pienryhmissä (tiivis väliraportti), syvennetään siihen liittyvää omaa osaamista (lyhyt loppuraportti) ja valmistellaan aiheesta sovellus ja edelleen esitys muille kurssin osallistujille (seminaariesityksen esityskalvot tms. materiaali). Aikataulut, ohjeistus, aineistot ja tehtävien palautus Moodlessa.

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon.

Arviointikriteerit - hylätty (0) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

ei seminaariesitystä

Arviointikriteerit - tyydyttävä (1-2) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija tutkii ja analysoi tekoälyratkaisuita ja tunnistaa datan roolin osana tekoälysovelluksia.

Arviointikriteerit - hyvä (3-4) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija osaa tutkia ja analysoida tekoälyratkaisuita eri näkökulmista ja ymmärtää datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa hyvin tilanteita, joissa tekoälyä voidaan hyödyntää ja ymmärtää, millaista dataa tällöin tarvitaan.

Arviointikriteerit - kiitettävä (5) (Ei käytössä, kts Opintojakson Arviointikriteerit ylempänä)

Opiskelija osaa tutkia ja analysoida tekoälyratkaisuita monipuolisesti ja ymmärtää hyvin datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa erinomaisesti tilanteita, joissa tekoälyä voidaan hyödyntää ja ymmärtää hyvin, millaista dataa tällöin tarvitaan ja onko dataa riittävästi saatavilla ja mistä dataa saadaan lisää.