AI Solutions (5 cr)
Code: 5Y00FD89-3002
General information
- Enrolment period
- 01.06.2021 - 03.10.2021
- Registration for the implementation has ended.
- Timing
- 03.09.2021 - 26.11.2021
- Implementation has ended.
- Credits
- 5 cr
- Mode of delivery
- Contact learning
- Unit
- MD in Data Expertise and Artificial Intelligence
- Campus
- TAMK Main Campus
- Teaching languages
- Finnish
- Degree programmes
- Master's Degree Programme in Data Expertise and Artificial Intelligence
- Teachers
- Ossi Nykänen
- Course
- 5Y00FD89
Objectives (course unit)
The student knows different solutions utilizing artificial intelligence and knows the role of data as part of artificial intelligence applications. The student is able to identify different situations where artificial intelligence can be utilized and what kind of data the solutions require.
Content (course unit)
Studying and analysis of AI cases. The role of data as part of an artificial intelligence application.
Assessment criteria, satisfactory (1-2) (course unit)
The student researches and analyzes artificial intelligence solutions and recognizes the role of data as part of AI solutions.
Assessment criteria, good (3-4) (course unit)
The student is able to study and analyze artificial intelligence solutions from different perspectives and understands the role of data as part of artificial intelligence applications. The student is able to recognize situations where artificial intelligence can be utilized and to understand what kind of data is needed.
Assessment criteria, excellent (5) (course unit)
The student is able to research and analyze artificial intelligence in many ways and well understands the role of data as part of artificial intelligence applications. The student is able to recognize situations in which artificial intelligence can be utilized and understood well, what kind of data is needed and whether there is enough data available and where more data can be obtained.
Exam schedules
Ei tenttiä, uusinta ja korotus sovitaan erikseen opettajien kanssa.
Assessment methods and criteria
Kurssiarvosana perustuu kurssin välietappien asianmukaiseen saavuttamiseen:
1 - kurssin päättävä seminaariesitys pidetty (pakollinen)
+1 - tiivis väliraportti palautettu ajallaan (aiheeseen perehtyminen)
+1 - seminaariesityksen esitysmateriaali ja lyhyt loppuraportti palautettu ajallaan
+1 - seminaariesityksen laajuus ja sisältö asianmukainen
+1 - seminaariesityksen osana esitelty myös käytännöllistä esimerkkiä aiheesta; ei luettu pelkkiä ranskalaisia viivoja (esim. PoC, demo, sovellus, valmiin sovelluksen analysointi)
Assessment scale
0-5
Teaching methods
Etäopetusta teamsissa. 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.
Learning materials
Materiaali moodlessa, sisältäen linkkejä aihepiirin englanninkieliseen aineistoon.
Assessment criteria - fail (0) (Not in use, Look at the Assessment criteria above)
ei seminaariesitystä
Assessment criteria - satisfactory (1-2) (Not in use, Look at the Assessment criteria above)
Opiskelija tutkii ja analysoi tekoälyratkaisuita ja tunnistaa datan roolin osana tekoälysovelluksia.
Assessment criteria - good (3-4) (Not in use, Look at the Assessment criteria above)
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.
Assessment criteria - excellent (5) (Not in use, Look at the Assessment criteria above)
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.