| Pääteemat | Esitiedot | Lähestyy oppimistavoitetta | Saavuttaa oppimistavoitteet | Syventää oppimistavoitteita |
|---|---|---|---|---|
|
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 |