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.

Tenttien ja uusintatenttien ajankohdat

Ei tenttiä. Arviointi harjoitustehtävien perusteella.

Arviointimenetelmät ja arvioinnin perusteet

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.)

Arviointiasteikko

0-5

Opiskelumuodot ja opetusmenetelmät

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

Oppimateriaalit

Moodle-alustalla jaettava materiaali.
Muu kirjallinen materiaali

Opiskelijan ajankäyttö ja kuormitus

Kontaktiopetus n. 8x4h. Itsenäinen työskentely kontaktiopetustilanteiden välillä.

Sisällön jaksotus

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

Toteutuksen valinnaiset suoritustavat

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

Lisätietoja opiskelijoille

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