Machine Learning (5 cr)

Objectives (course unit)

Opiskelija
- ymmärtää koneoppimisen käsitteenä
- ymmärtää koneoppimisen käyttötapoja, hyötyjä ja lainalaisuuksia
- hallitsee erilaisia koneoppimisen menetelmiä ja osaa soveltaa niitä
- osaa valita sovellettavat koneoppimisen menetelmät
- osaa soveltaa koneoppimista automaatiossa
- oppii käyttämään vähintään yhtä ohjelmistoa koneoppimisen soveltamiseen

Content (course unit)

Prosessidatan käsittely, koneoppimisen menetelmät, koneoppimisen soveltaminen, automaatio.

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

Opiskelija hahmottaa koneoppimisen käsitteenä yksittäisen koneoppimismenetelmän kautta. Opiskelija tunnistaa joitakin koneoppimisen menetelmiä. Opiskelija ymmärtää tunnistamiensa menetelmien toimintaperiaatteet, käyttötavan ja sovellettavuuden rajatusti ja osaa soveltaa menetelmiä suppeasti.
.

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

Opiskelija hahmottaa koneoppimisen käsitteenä yleisesti ja laajasti. Opiskelija tunnistaa useita koneoppimisen menetelmiä. Opiskelija ymmärtää tunnistamiensa menetelmien toimintaperiaatteet, käyttötavat ja sovellettavuuden rajoitteineen ja osaa soveltaa menetelmiä laajasti.

Assessment criteria, excellent (5) (course unit)

Opiskelija hahmottaa koneoppimisen käsitteenä yleisesti ja laajasti. Opiskelija tunnistaa laajasti koneoppimisen menetelmiä. Opiskelija ymmärtää tunnistamiensa menetelmien toimintaperiaatteet, käyttötavat ja sovellettavuuden rajoitteineen ja osaa soveltaa menetelmiä hyvin laajasti. Opiskelija osaa käsitellä koneoppimisen tarvitsemaa ja tuottamaa dataa

Location and time

Information on virtual classes is given in the beginning of the course and on Moodle. Information on timing is available via Lukkari.

Exam schedules

A failed course can be compensated by passing a new exam.

Assessment methods and criteria

Student performance assessment is based on completed home excercises and a passed exam.

Assessment scale

0-5

Teaching methods

Virtual teaching, home excercices, self-learning.

Learning materials

Lectures, notes made by a student, other referred material by a lecturer.

Student workload

The total working hours for passing the course is ca. 133 hours (5 cr x 1600/60 h/cr) of which a student has to allocate a major part for self-learning.

Content scheduling

The course involves teaching on a regular basis. The more detailed course structure is introduced in the first class and it will be available in the course information on Moodle afterwards.

Completion alternatives

None.

Practical training and working life cooperation

None.

International connections

The course involves no travelling abroad.

Further information

For passing the course, learning by doing home excercises on a continuous basis and self-learning are emphasized.

Assessment criteria - fail (0) (Not in use, Look at the Assessment criteria above)

The student performance does not exceed the minimum level.
(Student performance assessment procedure is introduced in the beginning of the course.)

Assessment criteria - satisfactory (1-2) (Not in use, Look at the Assessment criteria above)

The student performance is within the limits for the grade 1-2.
(Student performance assessment procedure is introduced in the beginning of the course.)

Assessment criteria - good (3-4) (Not in use, Look at the Assessment criteria above)

The student performance is within the limits for the grade 3-4.
(Student performance assessment procedure is introduced in the beginning of the course.)

Assessment criteria - excellent (5) (Not in use, Look at the Assessment criteria above)

The student performance reaches the highest grade 5.
(Student performance assessment procedure is introduced in the beginning of the course.)