Edistyneet koneoppimisen menetelmät (5op)

Arviointiasteikko

H-5

Sisällön jaksotus

- Luonnollisen kielen prosessointi koneoppimisessa
- Edistyneet ja erikoistuneet koneoppimisen algoritmit
- Koneoppimisen mallien optimointityökalut
- Virhemetriikka ja koneoppimisen mallin suorituskyvyn arviointi
- Soveltuvien työkalujen hyödyntäminen (e.g., korkean tason koneoppimisen sovellusrajapinnat, kuten scikit-learn, TensorFlow ja PyTorch) koneoppimisen ratkaisujen tekemisen tukena

Tavoitteet

- Knowledge and skills to understand beyond-basic contemporary machine learning (ML) models and methods, and to choose and apply them in a principled and sound way
- Abilities for understanding connections to, and dependencies between, model/method properties and timely topics (e.g., ethics, sustainability, explainability).
- Abilities to solve a computational problem via machine learning without using a high-level ML application programming interface

Sisältö

- Theory and practice of the beyond-basic contemporary machine learning (ML) models and methods
- Use of suitable tools (e.g., an ML application programming interface enabling both high and low level expression) for building solutions

Aika ja paikka

Opintojaksolla opiskellaan kampuksella luokkatilassa. Lapin ammattikorkeakoulu, Rantavitikan kampus, 12.1.2026 - 15.5.2026.

Oppimateriaalit

Opintojakson oppimateriaali löytyy opintojakson Moodle-työtilasta. Lisämateriaalia haetaan tarvittaessa internetissä. Opintojaksolla kannustetaan myös itsenäiseen tiedonhakuun ylimääräisen materiaalin etsimiseksi.

Opetusmenetelmät

Luennot, workshopit, esimerkit, harjoitukset ja itsenäinen työskentely.

Opintojaksolla hyödynnetään Arenen tekoälysuosituksia ja liikennevalomallia ammattikorkeakouluille. Tekoälyn käyttämisen mahdollisuus riippuu annetusta harjoitustehtävästä.

Harjoittelu- ja työelämäyhteistyö

Opintojakso on kytketty saman lukukauden lukukausiprojektiin. Opetettavat tekniikat sekä niitä koskevat esimerkit tulevat osittain lukukausiprojektissa mukana olevan työelämäedustajan / yrityksen tarpeista.

Tenttien ajankohdat ja uusintamahdollisuudet

Opintojakso arvioidaan henkilökohtaisen työn ja harjoitusten perusteella.

Kansainvälisyys

Opintojakso toteutetaan englannin kielellä.

Toteutuksen valinnaiset suoritustavat

Vaihtoehtoisista opintojakson suoritustavoista voi keskustella ohjaajan kanssa.

Opiskelijan ajankäyttö ja kuormitus

Opintojakso on laajuudeltaan 5 opintopistettä (ECTS), mikä tarkoittaa noin 135 tunnin kokonaistyömäärää. Työmääräsi jakautuu keskimäärin seuraavasti:

- Luennot ja workshopit: 50 h
- Itsenäinen oppiminen ja valmistautuminen: 45 h
- Arvioitavat tehtävät: 40h

Arviointikriteerit, tyydyttävä (1)

Grade 1: The student knows the theory on the considered ML models and methods. The student is able to solve beyond-basic contemporary ML problems, using the considered tools.

Arviointikriteerit, hyvä (3)

Grade 3: The student understand the theory on the considered ML models and methods. The student is able to solve a variety of beyond-basic contemporary ML problems, using the considered tools, suitably.

Arviointikriteerit, kiitettävä (5)

Grade 5: The student understand the theory on the considered ML models and methods. The student is able to solve a variety of beyond-basic contemporary ML problems, using the considered tools, most suitably.

Esitietovaatimukset

Introduction to Machine Learning Methods