TIES4600 Machine Learning (5 cr)

Study level:
Advanced studies
Grading scale:
0-5
Language:
Finnish
Responsible organisation:
Faculty of Information Technology
Curriculum periods:
2024-2025, 2025-2026, 2026-2027, 2027-2028

Tweet text

Syvennä koneoppimisen taitojasi: opi mallien rakentamista, optimointia ja soveltamista!

Description

Tämä opintojakso on suunniteltu opiskelijoille, jotka haluavat laajen-taa ja syventää osaamistaan koneoppimisen alueella. Opintojakso tarjoaa perusteellisen ymmärryksen ohjatun ja ohjaamattoman koneoppimisen eroista, lineaaristen ja epälineaaristen koneoppimismallien ominaisuuksista sekä käytännön taitoja koneoppimismenetelmien toteuttamiseen, suorituskyvyn analysointiin ja mallien optimointiin.


Opintojakso yhdistää teorian ja käytännön, tarjoten opiskelijoille vankan perustan koneoppimiseen ja valmiudet soveltaa oppimaansa monimutkaisiin datatieteen ongelmiin.

Learning outcomes

Opintojakson jälkeen opiskelija:
  • Ymmärtää mitä on ohjatun ja ohjaamattoman koneoppimisen ero
  • Ymmärtää mitä tarkoittaa lineaarinen ja epälineaarinen koneoppi-mismalli
  • Osaa toteuttaa koneoppimismenetelmiä luokittelu- ja regressioteh-täviin ja analysoida niiden suorituskykyä
  • Ymmärtää laaja-alaisesti keskeisimpien ohjattujen koneoppimisme-netelmien (tukivektorikone, päätöspuut, satunnaismetsä, neurover-kot, radiaalikantafunktio-verkko) ja tunnetuimpien opetusalgoritmien toimintaperiaatteet (gradienttimenetelmä, pienimmän neliösumman sovitus)
  • Hallitsee keskeisimmät kustannusfunktiot ja mallien suorituskyky metriikat
  • Ymmärtää mitä ovat hyperparametrit ja osaa soveltaa perusmene-telmiä niiden optimointiin
  • Ymmärtää ja hallitsee mallien arviointiin ja valintaan käytettävien ristiinvalidointistrategioiden periaatteet
  • Ymmärtää mallin testaamisen merkityksen
  • Ymmärtää klusteroinnin tarkoituksen, osaa toteuttaa klusterointial-goritmin (k-means) ja tulkita erilaisia klusterointituloksia.
  • Ymmärtää käytetyimpien dimension pienennys menetelmien toi-mintaperiaatteet (PCA, t-SNE). 
  • Ymmärtää eri tyyppisen datan (“curse-of-dimensionality", massadata, puuttuva data, harva data) ja menetelmien valinnan vaikutukset skaalautuvuuteen ja tarkkuuteen.
  • Osaa soveltaa koneoppimismallien kehittämisprosesseja, lähtien raakadatan valinnasta päättyen valittujen mallien testaamiseen ja käyttöönottoon, osaa arvioida tulosten laatua

Description of prerequisites

Datatieteen aineopintokokonaisuus tai vastaavat tiedot.

Study materials

Ilmoitetaan toteutuskohtaisesti.

Completion methods

Method 1

Description:
Ilmoitetaan toteutuskohtaisesti.
Evaluation criteria:
Ilmoitetaan toteutuskohtaisesti.
Select all marked parts
Parts of the completion methods
x

Participation in teaching (5 cr)

Type:
Participation in teaching
Grading scale:
0-5
Evaluation criteria:
<p>Ilmoitetaan toteutuskohtaisesti.</p>
Language:
Finnish
Study materials:

Ilmoitetaan toteutuskohtaisesti.

Teaching