Koneoppimisen perusteet ja luokittelu Pythonilla (3op)

Osaamistavoitteet (Opintojakso)

Olet jo kenties törmännyt työpaikkailmoituksiin, joissa haetaan Data Scientisteja, Data Analysteja, AI-osaajia (Artificial Intelligence) ja Maching Learning -asiantuntijoita? Digitaalisesti kerättävän tiedon määrä on kasvamassa räjähdysmäisesti, ja kaikilla aloilla tullaan jo muutaman vuoden päästä tarvitsemaan huima määrä erikoisasiantuntijoita, jotka tietotekniikan avulla osaavat tuottaa raa’asta datasta lisäarvoa liiketoimintojen kehittämiseen, uusien potilashoitomuotojen, terveysteknologioiden ja lääkkeiden keksimiseen, ympäristön puhdistamiseen jne. Näissä tehtävissä kaiken perusta on Machine Learning -käsitteenä tunnettu tieteenhaara, eli Koneoppiminen, joka on parhaillaan ottamassa huimaa vauhtia eteenpäin – myös yritysmaailmassa. Tästä kelkasta ei kannata jäädä pois!

Tule siis tutustumaan Data Sciencen kiehtovaan maailmaan ja oppimaan käytännössä, kuinka pankit arvioivat asiakkaiden maksukykyä tehdessä lainapäätöstä, kuinka lääketiede tunnistaa erilaisia sairauksia, kuinka kone voi päätellä viinin laadun, jne! Opintojakso on hyvin käytännönläheinen, ja teoria käydään läpi korkeintaan pintaraapaisuna.

Opintojakson tavoitteena on antaa opiskelijalle työkalupakki (”algoritmisetti”), jolla hän pääsee itsenäisesti ratkomaan (alkuun varsin yksinkertaisia) reaalimaailman ongelmia koneoppimisen avulla. Opintojakso sisältää noin 20 % lähiopetusta ja 80 % itsenäistä työskentelyä yksin ja/tai pareittain.

Sisältö (Opintojakso)

Alustava aikataulusuunnitelma:
Luento 1. 9.10 Kurssin esittely. Koneoppimisen ja luokittelun perusteet.
Kotitehtävä 1: Koneoppimisen tietorakenteet Pythonissa (Pandas): Viinidatan lataaminen Pandas-tietorakenteeseen.

16.10 syysloma

Luento 2. 30.10 Päätöspuut (Decision trees) ja Satunnaismetsät (Random Forests):
Harjoitustyön esittely.
Kotitehtävä 2: Viinin laadun arviointi.

Luento 3. 13.11 Tukivektorikoneet (Support Vector Machines).
Kotitehtävä 3: Rintasyövän ennustaminen

Luento 4. 27.11 Monimallinen luokittelu (Ensemble Learning): Bagging ja Boosting.
Kotitehtävä 4 (Bagging) ja 5 (Boosting): Pankkilainojen maksukyvyn arviointi

Luento 5. 11.12 Koe. Kurssin päättäjäiset

Esitietovaatimukset (Opintojakso)

Ohjelmoinnin ja matematiikan perusteet oltava hallussa.

Arviointikriteerit, tyydyttävä (1-2) (Opintojakso)

Harjoitukset (neljä kappaletta) arvioidaan numeroarvosanalla, ja ne muodostat 40 % kurssiarvosanasta. Harjoitustyöstä annetaan numeroarvosana, ja se muodostaa 40 % kurssiarvosanasta. Harjoitustyön aiheena on terveysteknologiat. Parhaasta harjoitustyöstä annetaan +1 kurssiarvosanaan. Harjoitustyö tehdään yksin tai pareittain. Monivalintatehtävistä muodostuva koe on 20 % kurssiarvosanasta.

Harjoituksista vähintään yksi on palautettava, ja näiden arvosana muodostuu seuraavasti: 1 toimiva palautus = arvosana 2; 2 toimivaa palautusta = arvosana 3; 3 palautusta = arvosana 4; 4 palautusta = 5. Harjoitukset tehdään yksin.

Arviointikriteerit, hyvä (3-4) (Opintojakso)

Harjoitukset (neljä kappaletta) arvioidaan numeroarvosanalla, ja ne muodostat 40 % kurssiarvosanasta. Harjoitustyöstä annetaan numeroarvosana, ja se muodostaa 40 % kurssiarvosanasta. Harjoitustyön aiheena on terveysteknologiat. Parhaasta harjoitustyöstä annetaan +1 kurssiarvosanaan. Harjoitustyö tehdään yksin tai pareittain. Monivalintatehtävistä muodostuva koe on 20 % kurssiarvosanasta.

Harjoituksista vähintään yksi on palautettava, ja näiden arvosana muodostuu seuraavasti: 1 toimiva palautus = arvosana 2; 2 toimivaa palautusta = arvosana 3; 3 palautusta = arvosana 4; 4 palautusta = 5. Harjoitukset tehdään yksin.

Arviointikriteerit, kiitettävä (5) (Opintojakso)

Harjoitukset (neljä kappaletta) arvioidaan numeroarvosanalla, ja ne muodostat 40 % kurssiarvosanasta. Harjoitustyöstä annetaan numeroarvosana, ja se muodostaa 40 % kurssiarvosanasta. Harjoitustyön aiheena on terveysteknologiat. Parhaasta harjoitustyöstä annetaan +1 kurssiarvosanaan. Harjoitustyö tehdään yksin tai pareittain. Monivalintatehtävistä muodostuva koe on 20 % kurssiarvosanasta.

Harjoituksista vähintään yksi on palautettava, ja näiden arvosana muodostuu seuraavasti: 1 toimiva palautus = arvosana 2; 2 toimivaa palautusta = arvosana 3; 3 palautusta = arvosana 4; 4 palautusta = 5. Harjoitukset tehdään yksin.

Aika ja paikka

Ensimmäinen kerta 9.10.2019 !!!!!
16.10 on syysloma.

Arviointiasteikko

0-5