Applications of AI (5 cr)

Objectives (course unit)

Students are familiar with the latest methods and implementation methods of artificial intelligence. The student is able to do experiments in the case of his / her choice of artificial intelligence. The student knows how to present the method to others.

Content (course unit)

Getting to know the latest methods and implementations of artificial intelligence. Choice of subject and implementation of experiments. Working Workshop. Presentation of results in seminars.

Prerequisites (course unit)

Data-analyysi ja Tekoälyn perusteet

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

The student presents the chosen artificial intelligence topic to others

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

The student is familiar with the selected artificial intelligence topic and is able to present the chosen topic to others.

Assessment criteria, excellent (5) (course unit)

The student is thoroughly familiar with the selected artificial intelligence topic and is able to present the features of the chosen topic in a versatile way. 

Exam schedules

Ei tenttiä.

Evaluation methods and criteria

Arviointimenetelmät ja kriteerit (min(5, arvosana_pts), pyöristys alaspäin :-) ):

1 - Seminaari esitys pidetty (pakollinen)

+1 - Seminaari esityksen laajuus ja sisältö asianmukainen

+0.5 - Väliraportti palautettu ajallaan

+0.5 - Loppuraportti ja lopullinen esitysmateriaali palautettu ajallaan

SEKÄ

(+1 - Seminaariesitys sisältää myös "live-demon" tms., mahd. kolmannen osapuolen tekemää sovellusta hyödyntäen. Tämä voi olla esim. käyttödemo tai valmiin sovelluksen analysointi --- jota esitellään esityksen yhteydessä mutta jota ei ole tarvinnut itse tehdä. Plan-B:nä on hyvä ottaa kuitenkin esityskalvoihin pari ruuduunkaappauskuvaa sen varalta, että live-demossa tulee teknisiä ongelmia.

TAI

+2 - Seminaariesitys sisältää myös aiheesta itse koodaamalla tehdyn pienen käytännön esimerkin, jonka koodi löytyy kurssin osoittamasta GitLabista.)

Assessment scale

0-5

Teaching methods

Kurssin aikana tutustutaan valittuun tekoälyn tai sen sovelluksen aihepiiriin pienryhmissä (tiivis väliraportti), syvennetään siihen liittyvää omaa osaamista (lyhyt loppuraportti) ja valmistellaan aiheesta sovellus ja edelleen 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.