Koneoppiminen ja data-analytiikka teollisuudessa (5 op)

Osaamistavoitteet (Opintojakso)

Opiskelija
- tietää koneoppimiseen liittyvät keskeiset termit, käsitteet ja periaatteet
- tunnistaa koneoppimisen sovelluskohteita erityisesti teollisuudessa
- tietää keskeiset data-analytiikan termit ja käsitteet
- tietää datan keräämis-, tallennus- ja analysointimenetelmien keskeisiä periaatteita
- tietää yleisimmät datan hallinta- ja visualisointimenetelmät
- ymmärtää datan merkityksen ja käyttökohteet erityisesti automaatioteknologian prosesseissa

Sisältö (Opintojakso)

Johdatus algoritmiikkaan, koneoppimiseen ja tekoälyn perusteisiin
Koneoppimisen sovelluskohteita
Johdatus Big Dataan ja sen hyödyntämistapoihin teollisuudessa
Datan hyödyntämismenetelmiä
Yleisimpiä Big Data –järjestelmiä
Keskeiset käsitteet: datan määritelmä, Big Data, datan visualisointi, algoritmit, koneoppiminen, tekoäly

Arviointikriteerit, tyydyttävä (1-2) (Opintojakso)

Opiskelija tuntee koneoppimisen ja data-analytiikan perusteet ja tärkeimmät käsitteet.

Arviointikriteerit, hyvä (3-4) (Opintojakso)

Opiskelija tietää koneoppimisen ja data-analytiikan perusteet ja tärkeimmät käsitteet. Opiskelija omaa soveltavaa osaamista opintojakson keskeisissä aihepiireissä.

Arviointikriteerit, kiitettävä (5) (Opintojakso)

Edellisten lisäksi opiskelija osaa monipuolisesti soveltaa koneoppimisen ja data-analytiikan ideologiaa erityisesti teollisuudessa. Opiskelija ymmärtää laaja-alaisesti datan merkityksen ja käyttökohteita erityisesti automaatioteknologian prosesseissa.

Arviointimenetelmät ja arvioinnin perusteet

Kurssi jakautuu kahteen osioon: koneoppiminen ja data-analytiikka. Molempiin osioihin liittyy kehittämistehtävä, josta voi saada 0-50 pistettä. Kurssin maksimipistemäärä on 100 pistettä ja arvosanarajat menevät seuraavasti:

< 44 pistettä -> 0

>45 pistettä -> 1

>60 pistettä -> 2

>70 pistettä -> 3

>80 pistettä -> 4

>90 pistettä ->5

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

Lähiopetusta, oppimistehtäviä, harjoituksia.