Machine Learning (5cr)

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

Remotely, starting on January 13 at 11:15. See Moodle.

Exam schedules

Arranged in the exam.tuni.fi environment with a flexible schedule at the end of the course. Besides the exam, the evaluation is based on course activities, such as exercises/assignments, presentations, smaller tests, etc.

Assessment methods and criteria

Exam and course activities – see the Finnish description for more details.

Assessment scale

0-5

Teaching methods

Lectures, exercises, presentations, remote teaching, self-study, problem-based learning

Learning materials

Presented in the beginning of the course.

Student workload

The planned average student workload is about 135 hours, distributed evenly during the third and fourth periods.

Completion alternatives

Contact the teacher for special arrangements.

Practical training and working life cooperation

Guest lecture possible, but not guaranteed.