Machine Learning and Data Analytics in Technology (5 cr)

Objectives (course unit)

Student
- knows the key terms, concepts and principles related to machine learning
- identifies applications of machine learning, especially in industry
- knows the key terms and concepts of data analytics
- knows the main principles of data collection, storage and analysis methods
- knows the most common data management and visualization methods
- understands the meaning and uses of data, especially in automation technology processes

Content (course unit)

Introduction to algorithms, machine learning and the basics of artificial intelligence
Machine learning applications
Introduction to Big Data and its applications in industry
Data utilization methods
The most common Big Data systems
Key concepts: data definition, Big Data, data visualization, algorithms, machine learning, artificial intelligence

Assessment criteria, satisfactory (1-2) (course unit)

The student knows the basics and most important concepts of machine learning and data analytics.

Assessment criteria, good (3-4) (course unit)

The student knows the basics and most important concepts of machine learning and data analytics. The student has applied skills in the key topics of the course.

Assessment criteria, excellent (5) (course unit)

In addition to the above, the student is able to apply the ideology of machine learning and data analytics in a versatile way, especially in industry. The student has a broad understanding of the meaning and uses of data, especially in automation technology processes.

Exam schedules

Ei tenttiä. Arviointi harjoitustehtävien perusteella.

Evaluation methods and criteria

Kurssi käsittää seitsemän lähiopetuskertaa, joista kustakin on mahdollista ansaita 12 pistettä (10 pistettä tehdyistä tehtävistä ja 2 pistettä aktiivisesta osallistumisesta). (Huomaa, että viikolla 19 on kaksi lähiopetuskertaa samana perjantaina.)

Kurssin lopussa järjestettävästä projektien esittelystä on mahdollista ansaita 17 suorituspistettä (15 pistettä työn esittelystä ja 2 pistettä aktiivisesta osallistumisesta).

Koko kurssilta voi siten maksimissaan ansaita (7*12 + 17) pistettä = 101 pistettä. Pisteitä kertyy ensisijaisesti aktiivisesta, oma-aloitteisesta ja oppimishakuisesta tekemisestä.

Kurssin hyväksyttyyn arvosanaan (1) vaaditaan vähintään 30 pistettä. Maksimiarvosanaan (5) riittää 80 pistettä. (Näiden pistemäärien väliltä arvosanat määräytyvät suunnilleen lineaarisesti.)

Assessment scale

0-5

Teaching methods

Lähiopetus, verkko-opetus sekä itsenäiset oppimistehtävät. Omalla tietokoneella toteutettavat harjoitukset. Työskentely FielLab -laboratoriossa, mikäli Covid-tilanne mahdollistaa.

Learning materials

Moodle-alustalla jaettava materiaali.
Muu kirjallinen materiaali

Student workload

Kontaktiopetus n. 8x4h. Itsenäinen työskentely kontaktiopetustilanteiden välillä.

Content scheduling

1. ETÄ: Johdanto, konseptit, DA/ML työkalut (johdanto, asennukset)
2. ETÄ: ML & DA teollisuudessa, S-o-t-A
3. ETÄ: Data-analytiikka ja visualisointi, hands on ("Tableau")
4. ETÄ: Koneoppiminen ("Jupyter Lab")
5. LÄHI: Yleisesti ML&DA projektien toteuttaminen teollisuudessa ja datan keräämisen tekniikat
6. LÄHI: Oman projektin valmistelu: prosessiin tutustuminen ja datan keräämisen sovelluskohtaiset mahdollisuudet ja tekniikat
7. LÄHI: Projekti
8. ETÄ: Projektien esittely

Completion alternatives

Suoritus pääsääntöisesti kevään kontaktiopetuksen aikataulun mukaisesti. Osa lähiopetuskertoihin liittyvien harjoitustehtävien palautuksista on mahdollista suorittaa itseopiskeluna.

Further information

Aikataulu- ja sisältömuutokset mahdollisia.
Covid-tilanne voi muuttaa lähi/etäopetuksen rytmitystä ja toteutustapoja.