| Tekoälyn filosofia ja historia |
- tuntee tekoälyyn liittyvää problematiikkaa kulttuurissa (elokuvat, kirjat, pelit, ...)
|
- osaa kuvailla Turingin kokeen
- hahmottaa tekoälyn nykytilan ja scifin välisen eron
|
- osaa vertailla GOFAI- ja modernin tekoälyn menetelmiä
- osaa mainita tärkeimpiä tekoälytutkimuksen suuntauksia (sekä historiallisia että nykyisiä)
|
- tuntee nykyisen tekoälytutkimuksen kenttää (lehdet ja konferenssit) sekä sen sisäisiä jaotteluita
|
| Pelit ja etsintä |
- perustietorakenteet (pino, jono)
- leveys- ja syvyyssuuntainen haku (TiRa)
- ohjelmointitaito
|
- osaa selittää A*-haun perusidean (heuristiikka, kustannusfunktio)
- osaa piirtää annettua peliä vastaavan pelipuun
|
- osaa esittää annettua ongelmaa vastaavan etsintäavaruuden ja ratkaista ongelman etsintäalgoritmia käyttäen
- osaa toteuttaa A*-haun
- osaa toteuttaa minimax-algoritmin ja alpha-beta-karsinnan
- osaa suunnitella heuristisen pelitilanteen arviointikriteerin (esim. shakkiin)
|
- osaa toteuttaa kompleksisia sovelluksia, jotka perustuvat etsintäalgoritmeihin
- osaa toteuttaa shakkia tai muuta epätriviaalia peliä pelaavan algoritmin tehokkaasti
|
| Päättely epävarmuuden vallitessa |
- hallitsee todennäköisyyslaskennan peruskäsitteet: todennäköisyys, muuttuja, jne (lukiomatematiikka)
- tuntee luonnollisten neuroverkkojen peruskäsitteitä: neuroni, verkko, aktivaatio (lukion biologia)
|
- osaa soveltaa todennäköisyyslaskennan peruskaavoja yksinkertaisissa tilanteissa (esim. Bayesin kaava)
- osaa arvioida yksinkertaisia todennäköisyysarvoja satunnaisotoksesta
- osaa selittää koneoppimisen eri lajien erot (ohjattu vs ohjaamaton oppiminen) sekä peruskäsitteitä (opetusjoukko, testijoukko)
- osaa kuvailla joitakin neuroverkkotyyppejä (eteenpäin syöttävä, takaisinkytkeytyvä, jne.)
|
- osaa esittää ongelmanratkaisutilanteen todennäköisyysmallina (Bayes-verkkona)
- osaa generoida dataa Bayes-verkosta
- osaa tehdä pienimuotoista todennäköisyyspäättelyä joko eksaktisti tai stokastista approksimaatiota soveltaen
- osaa toteuttaa yksinkertaisia luokittelualgoritmeja kuten naivi Bayes- ja lähimmän naapurin luokitin
- tuntee vähintään kolmen eri neuroverkkotyyppiä edustavan neuroverkon toimintaperiaatteet
|
- osaa päätellä annetun Bayes-verkon implikoimat riippumattomuudet (Todennäköisyysmallinnus)
- osaa toteuttaa tehokkaan eksaktin päättelyalgoritmin Bayes-verkoille
- osaa oppia Bayes-verkon rakenteen datasta (Todennäköisyysmallinnus)
- osaa toteuttaa monia eri koneoppimis- ja neuroverkkomenetelmiä ja soveltaa niitä luontevasti eri tilanteissa (Introduction to Machine Learning, Unsupervised Machine Learning, Supervised Machine Learning)
|
| Digitaalinen signaalinkäsittely ja robotiikka |
- tuntee digitaalisten signaalien esitysmuotoja (RGB-formaatti kuville, aaltomuoto äänelle)
- tunnistaa robotiikkaan (liikkumiseen, sensorihavaintoihin) liittyviä ongelmia
|
- osaa luetella erilaisia digitaalisen signaalinkäsittelyyn liittyviä sovelluksia (esim. hahmontunnistus, tietokonegrafiikka, liikkeenkaappaus)
|
- osaa selittää vähintään yhden hahmontunnistuksen menetelmän (esim. SIFT/SURF) periaatteellisella tasolla
- osaa soveltaa jotakin valmista hahmontunnistusmenetelmää käytännössä
- osaa toteuttaa yksinkertaisia toiminnallisuuksia, kuten viivan seuraaminen, robottien avulla
|
- osaa toteuttaa digitaalisen signaalinkäsittelyn menetelmiä
- osaa toteuttaa monimutkaisia robotiikkasovelluksia (Robottiohjelmoinnin harjoitustyö)
|
Tulostettava sivu