Koneoppimisprosessi ja koneoppimisen lajit

- Todennäköisyyslaskennan alkeet

(esim. kurssi Johdatus todennäköisyys- laskentaan) ja lineaarialgebran alkeet (esim. Lineaarialgebra ja matriisilaskenta I-II)

- Ratkaisee yksinkertaisia ohjelmointiongelmia jollakin ohjelmointikielellä ja omaksuu nopeasti uuden ohjelmointikielen perusteet

- Tunnistaa erilaisia koneoppimistilanteita ja niihin sopivia ratkaisuparadigmoja: ohjattu vs ohjaamaton oppiminen, diskriminatiivinen vs generatiivinen oppiminen, symbolinen vs numeerinen data

- Hallitsee jonkin koneoppimissovelluksiin sopivan ohjelmointiympäristön perusteet

- Määrittelee ja sijoittaa oikeaan yhteyteen koneoppimisen peruskäsitteet (esim. opetusdata, otos, piirre, hypoteesi, mallinvalinta, kustannusfunktio, oppimisvirhe, testivirhe, ylisovittaminen)

- Suorittaa yksinkertaisia data- analyysi- ja visualisointitehtäviä koneoppimissovelluksiin soveltuvassa ohjelmointiympäristössa

- Soveltaa oppimaansa käsitteistöä käytännön ongelmien ratkaisemiseen ja ratkaisujen analysointiin

- Tuntee kurssilla käsiteltyjen koneoppimismallien lisäksi muitakin koneoppimisongelmia ja -ratkaisumenetelmia

Ohjattu oppiminen

Sama kuin pääteemassa “Koneoppimisprosessi ja koneoppimisen lajit”

- Määrittelee luokittelu- ja regressio- ongelmat

- Tuntee ohjatun oppimisen ongelman peruskäsitteet ja menetelmien rajoitteet

- Tuntee ainakin yhden etäisyyspohjaisen, yhden lineaarisen, ja yhden generatiivisen luokittelumenetelmän

- Selittää diskriminatiivisen ja generatiivisen oppimisparadigman erot

- Osaa toteuttaa ainakin yhden etäisyyspohjaisen, yhden lineaarisen, ja yhden generatiivisen luokittelumenetelmän, ja soveltaa näm yksinkertaisten luokittelutehtävien ratkaisemiseen

- Osaa toteuttaa ja soveltaa lineaarisen regression yksinkertaisten regressiotehtävien ratkaisemiseen

- Selittää kurssilla käsiteltyjen koneoppimismenetelmien taustalla olevat oletukset

- Toteuttaa testaus- ja ristiinvalidointimenetelmät, ja osaa soveltaa niitä koneoppimismenetelmien hyvyyden arviointiin ja mallinvalintaan

- Ratkaisee käytännön ennustusongelmia koneoppimismenetelmin

- Osaa tarpeen vaatiessa muunnella kurssilla esitettyjä perusmenetelmiä käytännössä kohdattujen oppimisongelmien ratkaisemiseen

- Tuntee luokittelun ja regression lisäksi muitakin ennustusongelmia (esim rakenteinen oppiminen)

- Tuntee jatkuvan oppimisen malleja (online-oppiminen, palauteoppiminen)

Ohjaamaton oppiminen

Sama kuin pääteemassa “Koneoppimisprosessi ja koneoppimisen lajit”

- Tuntee tärkeimmät tavat muotoilla ryvästysongelma (etäisyysmitat, k:n keskiarvon ryvästäminen, hierarkkinen ryvästäminen)

- Tuntee poikkeamien havaitsemisen perusongelman ja ainakin yhden ratkaisumenetelmän

- Selittää k:n keskiarvon ryvästämismenetelmän toimintaidean ja osaa sen toteuttaa

- Selittää ja osaa toteuttaa jonkun menetelmän hierarkkiseen ryvästämiseen

- Soveltaa kurssilla opetettuja ryvästysmenetelmiä yksinkertaisiin datan rakenteen analysointitehtäviin

- Tulkitsee hierarkkisen ryvästämisen tuloksia

- Selittää ja osaa toteuttaa jonkun menetelmän poikkeamien havaitsemiseen

- Käyttää ryvästysmenetelmiä käytännön data-analyysiongelmien ratkaisemisessa (valitsee sopivan menetelmän, soveltaa menetelmää, ja analysoi tulokset)

- Tuntee ryvästämisen ja poikkeamien havaitsemisen lisäksi muitakin ohjaamattoman oppimisen tehtäviä (esim tiheysestimointi) ja menetelmiä niiden ratkaisemiseen