Opinto-opas

Tavoitteet (OJ)

Opiskelija tietää erilaisia tekoälyä hyödyntäviä ratkaisuita ja tuntee datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa erilaisia tilanteita, joissa voidaan hyödyntää tekoälyä ja minkälaista dataa ratkaisut vaativat.

Sisältö (OJ)

Tekoälyä hyödyntävien tapausten tutkimista ja analysointia. Datan rooli osana tekoälysovellusta.

Arviointikriteerit, tyydyttävä (1-2) (OJ)

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

Arviointikriteerit, hyvä (3-4) (OJ)

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) (OJ)

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.

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Kurssiarvosana perustuu kurssin välietappien asianmukaiseen saavuttamiseen:
1 - seminaari esitys pidetty (pakollinen)
+1 - seminaari esityksen laajuus ja sisältö asianmukainen
+1 - väliraportti palautettu ajallaan
+1 - loppuraportti ja lopullinen esitysmateriaali palautettu ajallaan
+1 - Seminaariesitys pitää sisällään myös "live-demon" kolmannen osapuolen tekemää ja/tai (pientä) itse tehtyä sovellusta hyödyntäen. (Plan-B:nä on hyvä ottaa kuitenkin esityskalvoihin pari ruuduunkaappauskuvaa sen varalta, että live-demossa tulee teknisiä ongelmia.)

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

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

Oppimateriaalit

Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon.

Tavoitteet (OJ)

Opiskelija tietää erilaisia tekoälyä hyödyntäviä ratkaisuita ja tuntee datan roolin osana tekoälysovelluksia. Opiskelija osaa tunnistaa erilaisia tilanteita, joissa voidaan hyödyntää tekoälyä ja minkälaista dataa ratkaisut vaativat.

Sisältö (OJ)

Tekoälyä hyödyntävien tapausten tutkimista ja analysointia. Datan rooli osana tekoälysovellusta.

Arviointikriteerit, tyydyttävä (1-2) (OJ)

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

Arviointikriteerit, hyvä (3-4) (OJ)

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) (OJ)

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.

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä.

Arviointimenetelmät ja arvioinnin perusteet

Kurssiarvosana perustuu kurssin välietappien asianmukaiseen saavuttamiseen:
1 - seminaari esitys pidetty (pakollinen)
+1 - seminaari esityksen laajuus ja sisältö asianmukainen
+1 - väliraportti palautettu ajallaan
+1 - loppuraportti ja lopullinen esitysmateriaali palautettu ajallaan
+1 - Seminaariesitys pitää sisällään myös "live-demon" kolmannen osapuolen tekemää ja/tai (pientä) itse tehtyä sovellusta hyödyntäen. (Plan-B:nä on hyvä ottaa kuitenkin esityskalvoihin pari ruuduunkaappauskuvaa sen varalta, että live-demossa tulee teknisiä ongelmia.)

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Pienryhmätyöskentelyä kampuksella, etäosallistumismahdollisuudella MS Teamsillä. Kurssin aikana tutustutaan valittuun tekoälyn tai sen sovelluksen aihepiiriin pienryhmissä (tiivis väliraportti), syvennetään siihen liittyvää omaa osaamista (lyhyt loppuraportti) ja valmistellaan aiheesta 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.