Johdanto tekoälyynLaajuus (5 op)
Tunnus: YT00CF50
Laajuus
5 op
Vastuuhenkilö
- Matti Welin
- Rami Viksilä
- Minna Asplund
Osaamistavoitteet
Opiskelija osaa
- tunnistaa neuroverkkojen ja syväoppimisen tärkeimmät ominaisuudet
- tutkia hyperparametreja, aktivaatiofunktioita ja neuroverkkojen topologiaa
- käsitellä piilotettuja kerroksia sekä ennustaa olemassa olevan datan avulla
- ottaa huomioon resurssien käytön sekä tekoälyn eettiset näkökulmat
Ilmoittautumisaika
06.05.2024 - 30.08.2024
Ajoitus
04.11.2024 - 07.11.2024
Opintopistemäärä
5 op
Virtuaaliosuus
5 op
Toteutustapa
Etäopetus
Yksikkö
Teknologia (LAB)
Toimipiste
Verkkokampus, Lahti
Opetuskielet
- Suomi
Paikat
5 - 40
Koulutus
- Tekniikan koulutus (ylempi AMK), IoT:stä tekoälyyn
Opettaja
- Matti Welin
- Minna Asplund
- Rami Viksilä
Opetusryhmät
- Luennot 1 (Koko: 100. Avoin AMK: 0.)
Ryhmät
-
TLTIYITT24KVIoT:stä tekoälyyn (YAMK) 24KV Lahti
Pienryhmät
- Luennot 1
Osaamistavoitteet
Opiskelija osaa
- tunnistaa neuroverkkojen ja syväoppimisen tärkeimmät ominaisuudet
- tutkia hyperparametreja, aktivaatiofunktioita ja neuroverkkojen topologiaa
- käsitellä piilotettuja kerroksia sekä ennustaa olemassa olevan datan avulla
- ottaa huomioon resurssien käytön sekä tekoälyn eettiset näkökulmat
Toteutustapa ja opetusmenetelmät
Kurssi toteutetaan neljän päivän intensiiviopetuksena.
Opetusmenetelminä käytetään lähiopetusta luennoiden, sekä esimerkkeihin perustuvia soveltavia harjoituksia. Mahdollisuuksien mukaan myös äänitteitä.
Ajoitus ja läsnäolo
Intensiivijakso on ma 4.11.2024 - to 7.11.2024.
Intensiiviviikolla läsnäolo on suotavaa.
Oppimateriaali ja suositeltava kirjallisuus
Opiskelija etsii itsenäisesti sekä kirjallisuuslähteitä että internetin kautta löydettävissä olevia luotettavia lähteitä. Opintojaksolla on esitysmateriaalia.
Uusintamahdollisuudet
Opintojaksolla ei ole tenttiä.
Oppimisympäristö
Kurssin informointi - ja järjestely-ympäristönä käytetään virtuaalista Moodle verkko-oppimisalustaa.
Opiskelijan ajankäyttö ja kuormitus
Yhteisiä tunteja on noin 24. Kokonaisajankäyttö opiskelijalle on mitoitettu keskimäärin 135 tunniksi.
Lisätietoja opiskelijalle: mm. edeltävä osaaminen
Edeltävä osaaminen:
- Lukion lyhyttä matematiikkaa vastaava osaaminen.
- Ohjelmoinnin perusteet tai vastaava osaaminen.
- Datan analysointi ja visualisointi, tai vastaava osaaminen.
- Koneoppiminen tai vastaava osaaminen.
Arviointimenetelmät
Arvioinnin perusteena käytetään opintojaksolla tehtäväksi annettujen tehtävien suorittamisen tasoa.
Arviointiasteikko
1-5
Hylätty (0)
Opiskelija ei ole saavuttanut opintojakson osaamistavoitteita.
Arviointikriteerit: taso 1: (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen saatavilla olevia tietolähteitä sekä tehdä itsenäisiä ratkaisuja jossain määrin.
Palautettavat tehtävät tulee olla suoritettuina läpipääsyn tasolla.
Arviointikriteerit: taso 3 (arviointiasteikko 1-5)
Opiskelija osaa käyttää itsenäisesti hyväkseen ja soveltaa käytettävissä olevia tietolähteitä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ovat tehtäväksiannon mukaisesti oikein ja hyväksytysti suoritettuina.
Arviointikriteerit: taso 5 (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen, kriittisesti arvioida ja soveltaa käytettävissä olevia tietolähteitä.
Opiskelijalta vaaditaan aktiivista osallistumista keskusteluun, hän on positiivinen keskutelukumppani sekä edistää keskustelua olennaiseen suuntaan ja perustelee mielipiteensä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ylittävät annetun tehtäväksiannon tavoitteet.
Ilmoittautumisaika
20.11.2023 - 05.01.2024
Ajoitus
11.03.2024 - 14.03.2024
Opintopistemäärä
5 op
Virtuaaliosuus
5 op
Toteutustapa
Etäopetus
Yksikkö
Teknologia (LAB)
Toimipiste
Verkkokampus, Lahti
Opetuskielet
- Suomi
Paikat
5 - 40
Koulutus
- Tekniikan koulutus (ylempi AMK), IoT:stä tekoälyyn
Opettaja
- Matti Welin
- Minna Asplund
- Rami Viksilä
Opetusryhmät
- Verkkoluento 1 (Koko: 500. Avoin AMK: 0.)
Ryhmät
-
TLTIYITT23SVIoT:stä tekoälyyn (YAMK) 23SV Lahti
Pienryhmät
- Verkkoluento 1
Osaamistavoitteet
Opiskelija osaa
- tunnistaa neuroverkkojen ja syväoppimisen tärkeimmät ominaisuudet
- tutkia hyperparametreja, aktivaatiofunktioita ja neuroverkkojen topologiaa
- käsitellä piilotettuja kerroksia sekä ennustaa olemassa olevan datan avulla
- ottaa huomioon resurssien käytön sekä tekoälyn eettiset näkökulmat
Toteutustapa ja opetusmenetelmät
Kurssi toteutetaan neljän päivän intensiiviopetuksena.
Opetusmenetelminä käytetään lähiopetusta luennoiden, sekä esimerkkeihin perustuvia soveltavia harjoituksia. Mahdollisuuksien mukaan myös äänitteitä.
Ajoitus ja läsnäolo
Intensiivijakso on ma 11.3.2024 - to 14.3.2024.
Intensiiviviikolla läsnäolo on suotavaa.
Oppimateriaali ja suositeltava kirjallisuus
Opiskelija etsii itsenäisesti sekä kirjallisuuslähteitä että internetin kautta löydettävissä olevia luotettavia lähteitä. Opintojaksolla on esitysmateriaalia.
Uusintamahdollisuudet
Opintojaksolla ei ole tenttiä.
Oppimisympäristö
Kurssin informointi - ja järjestely-ympäristönä käytetään virtuaalista Moodle verkko-oppimisalustaa.
Opiskelijan ajankäyttö ja kuormitus
Yhteisiä tunteja on noin 24. Kokonaisajankäyttö opiskelijalle on mitoitettu keskimäärin 135 tunniksi.
Lisätietoja opiskelijalle: mm. edeltävä osaaminen
Edeltävä osaaminen:
- Lukion lyhyttä matematiikkaa vastaava osaaminen.
- Ohjelmoinnin perusteet tai vastaava osaaminen.
- Datan analysointi ja visualisointi, tai vastaava osaaminen.
- Koneoppiminen tai vastaava osaaminen.
Arviointimenetelmät
Arvioinnin perusteena käytetään opintojaksolla tehtäväksi annettujen tehtävien suorittamisen tasoa.
Arviointiasteikko
1-5
Hylätty (0)
Opiskelija ei ole saavuttanut opintojakson osaamistavoitteita.
Arviointikriteerit: taso 1: (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen saatavilla olevia tietolähteitä sekä tehdä itsenäisiä ratkaisuja jossain määrin.
Palautettavat tehtävät tulee olla suoritettuina läpipääsyn tasolla.
Arviointikriteerit: taso 3 (arviointiasteikko 1-5)
Opiskelija osaa käyttää itsenäisesti hyväkseen ja soveltaa käytettävissä olevia tietolähteitä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ovat tehtäväksiannon mukaisesti oikein ja hyväksytysti suoritettuina.
Arviointikriteerit: taso 5 (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen, kriittisesti arvioida ja soveltaa käytettävissä olevia tietolähteitä.
Opiskelijalta vaaditaan aktiivista osallistumista keskusteluun, hän on positiivinen keskutelukumppani sekä edistää keskustelua olennaiseen suuntaan ja perustelee mielipiteensä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ylittävät annetun tehtäväksiannon tavoitteet.
Ilmoittautumisaika
21.11.2022 - 08.01.2023
Ajoitus
27.02.2023 - 06.04.2023
Opintopistemäärä
5 op
Virtuaaliosuus
5 op
Toteutustapa
Etäopetus
Yksikkö
Teknologia (LAB)
Toimipiste
Verkkokampus, Lahti
Opetuskielet
- Suomi
Paikat
5 - 30
Koulutus
- Tekniikan koulutus (ylempi AMK), IoT:stä tekoälyyn
Opettaja
- Matti Welin
- Minna Asplund
- Rami Viksilä
Opetusryhmät
- Luennot 1 (Koko: 500. Avoin AMK: 0.)
Ryhmät
-
TLTIYITT22SVIoT:stä tekoälyyn (YAMK) 22SV Lahti
Pienryhmät
- Luennot 1
Osaamistavoitteet
Opiskelija osaa
- tunnistaa neuroverkkojen ja syväoppimisen tärkeimmät ominaisuudet
- tutkia hyperparametreja, aktivaatiofunktioita ja neuroverkkojen topologiaa
- käsitellä piilotettuja kerroksia sekä ennustaa olemassa olevan datan avulla
- ottaa huomioon resurssien käytön sekä tekoälyn eettiset näkökulmat
Toteutustapa ja opetusmenetelmät
Kurssi toteutetaan neljän päivän intensiiviopetuksena.
Opetusmenetelminä käytetään lähiopetusta luennoiden, sekä esimerkkeihin perustuvia soveltavia harjoituksia. Mahdollisuuksien mukaan myös äänitteitä.
Ajoitus ja läsnäolo
Intensiivijakso on ma 13.3.2023 - to 16.3.2023.
Oppimateriaali ja suositeltava kirjallisuus
Opiskelija etsii itsenäisesti sekä kirjallisuuslähteitä että internetin kautta löydettävissä olevia luotettavia lähteitä. Opintojaksolla on esitysmateriaalia.
Uusintamahdollisuudet
Opintojaksolla ei ole tenttiä.
Oppimisympäristö
Kurssin informointi - ja järjestely-ympäristönä käytetään virtuaalista Moodle verkko-oppimisalustaa.
Opiskelijan ajankäyttö ja kuormitus
Yhteisiä tunteja on noin 24. Kokonaisajankäyttö opiskelijalle on mitoitettu keskimäärin 135 tunniksi.
Lisätietoja opiskelijalle: mm. edeltävä osaaminen
Edeltävä osaaminen:
- Lukion lyhyttä matematiikkaa vastaava osaaminen.
- Ohjelmoinnin perusteet tai vastaava osaaminen.
- Datan analysointi ja visualisointi, tai vastaava osaaminen.
- Koneoppiminen tai vastaava osaaminen.
Arviointimenetelmät
Arvioinnin perusteena käytetään opintojaksolla tehtäväksi annettujen tehtävien suorittamisen tasoa.
Arviointiasteikko
1-5
Hylätty (0)
Opiskelija ei ole saavuttanut opintojakson osaamistavoitteita.
Arviointikriteerit: taso 1: (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen saatavilla olevia tietolähteitä sekä tehdä itsenäisiä ratkaisuja jossain määrin.
Palautettavat tehtävät tulee olla suoritettuina läpipääsyn tasolla.
Arviointikriteerit: taso 3 (arviointiasteikko 1-5)
Opiskelija osaa käyttää itsenäisesti hyväkseen ja soveltaa käytettävissä olevia tietolähteitä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ovat tehtäväksiannon mukaisesti oikein ja hyväksytysti suoritettuina.
Arviointikriteerit: taso 5 (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen, kriittisesti arvioida ja soveltaa käytettävissä olevia tietolähteitä.
Opiskelijalta vaaditaan aktiivista osallistumista keskusteluun, hän on positiivinen keskutelukumppani sekä edistää keskustelua olennaiseen suuntaan ja perustelee mielipiteensä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ylittävät annetun tehtäväksiannon tavoitteet.
Ilmoittautumisaika
19.11.2021 - 09.01.2022
Ajoitus
14.03.2022 - 17.03.2022
Opintopistemäärä
5 op
Virtuaaliosuus
5 op
Toteutustapa
Etäopetus
Yksikkö
Teknologia (LAB)
Toimipiste
Verkkokampus
Opetuskielet
- Suomi
Paikat
10 - 40
Koulutus
- Tekniikan koulutus (ylempi AMK), IoT:stä tekoälyyn
Opettaja
- Matti Welin
- Minna Asplund
- Juhani Grape
- Rami Viksilä
Opetusryhmät
- Opetus (Koko: 0. Avoin AMK: 0.)
Ryhmät
-
TLTIYITT21SIoT:stä tekoälyyn (YAMK) 21S Lahti
Pienryhmät
- Opetus
Osaamistavoitteet
Opiskelija osaa
- tunnistaa neuroverkkojen ja syväoppimisen tärkeimmät ominaisuudet
- tutkia hyperparametreja, aktivaatiofunktioita ja neuroverkkojen topologiaa
- käsitellä piilotettuja kerroksia sekä ennustaa olemassa olevan datan avulla
- ottaa huomioon resurssien käytön sekä tekoälyn eettiset näkökulmat
Toteutustapa ja opetusmenetelmät
Kurssi toteutetaan neljän päivän intensiiviopetuksena.
Opetusmenetelminä käytetään lähiopetusta luennoiden, sekä esimerkkeihin perustuvia soveltavia harjoituksia. Mahdollisuuksien mukaan myös äänitteitä.
Ajoitus ja läsnäolo
Intensiivijakso on ma 14.3.2022 - to 17.3.2022.
Oppimateriaali ja suositeltava kirjallisuus
Opiskelija etsii itsenäisesti sekä kirjallisuuslähteitä että internetin kautta löydettävissä olevia luotettavia lähteitä. Opintojaksolla on esitysmateriaalia.
Uusintamahdollisuudet
Opintojaksolla ei ole tenttiä.
Oppimisympäristö
Kurssin informointi - ja järjestely-ympäristönä käytetään virtuaalista Moodle verkko-oppimisalustaa.
Opiskelijan ajankäyttö ja kuormitus
Yhteisiä tunteja on noin 24. Kokonaisajankäyttö opiskelijalle on mitoitettu keskimäärin 135 tunniksi.
Lisätietoja opiskelijalle: mm. edeltävä osaaminen
Edeltävä osaaminen:
- Lukion lyhyttä matematiikkaa vastaava osaaminen.
- Ohjelmoinnin perusteet tai vastaava osaaminen.
- Datan analysointi ja visualisointi, tai vastaava osaaminen.
- Koneoppiminen tai vastaava osaaminen.
Arviointimenetelmät
Arvioinnin perusteena käytetään opintojaksolla tehtäväksi annettujen tehtävien suorittamisen tasoa.
Arviointiasteikko
1-5
Hylätty (0)
Opiskelija ei ole saavuttanut opintojakson osaamistavoitteita.
Arviointikriteerit: taso 1: (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen saatavilla olevia tietolähteitä sekä tehdä itsenäisiä ratkaisuja jossain määrin.
Palautettavat tehtävät tulee olla suoritettuina läpipääsyn tasolla.
Arviointikriteerit: taso 3 (arviointiasteikko 1-5)
Opiskelija osaa käyttää itsenäisesti hyväkseen ja soveltaa käytettävissä olevia tietolähteitä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ovat tehtäväksiannon mukaisesti oikein ja hyväksytysti suoritettuina.
Arviointikriteerit: taso 5 (arviointiasteikko 1-5)
Opiskelija osaa käyttää hyväkseen, kriittisesti arvioida ja soveltaa käytettävissä olevia tietolähteitä.
Opiskelijalta vaaditaan aktiivista osallistumista keskusteluun, hän on positiivinen keskutelukumppani sekä edistää keskustelua olennaiseen suuntaan ja perustelee mielipiteensä.
Palautettavat tehtävät tulee olla suoritettuina siten, että ne ylittävät annetun tehtäväksiannon tavoitteet.