Siirry suoraan sisältöön

Numeerinen mallinnusLaajuus (3 op)

Tunnus: A800DB96

Osaamistavoitteet

Opiskelija osaa soveltaa kurssilla esiteltyjä matemaattisia menetelmiä käytännön ongelmien ratkaisemiseksi

Sisältö

Opintojakson sisältö
Koneoppimisen perusteita:
Minimointi nopeimman laskeutumisen periaatteella
Lineaarinen regression
Logistinen regressio
Neuroverkot

Esitietovaatimukset

Algebra ja geometria, Vektorit ja matriisit, Differentiaali- ja integraalilaskenta, Automaatiotekniikan matematiikka

Arviointikriteerit, tyydyttävä (1)

tyydyttävä (1-2): Opiskelija tuntee ja hallitsee tyydyttävässä määrin koneoppimisen peruskäsitteet ja menetelmät sekä kykenee soveltamaan niitä tavanomaisten ongelmien ratkaisemisessa.

Arviointikriteerit, hyvä (3)

hyvä (3-4): Opiskelija tuntee hyvin koneoppimiseen liittyvät peruskäsitteet ja menetelmät sekä kykenee soveltamaan niitä erityyppisten ongelmien ratkaisemisessa. Hän kykenee yhdistämään oppimaansa aiempiin kokemuksiinsa aihepiiristä.

Arviointikriteerit, kiitettävä (5)

kiitettävä (5): Opiskelija tuntee kiitettävästi koneoppimiseen liittyvät käsitteet ja menetelmät sekä kykenee soveltamaan niitä monipuolisesti erityyppisten kysymysten ja ongelmien ratkaisemisessa. Hän on osoittanut kykyä luoda aihepiirin puitteissa uusia merkityksiä sekä osoittaa innovatiivisuutta oppimaansa soveltaen.

Oppimateriaalit

Luennoitsijan luentomateriaalit ja luentojen esimerkit.

Ilmoittautumisaika

13.11.2023 - 17.01.2024

Ajoitus

08.01.2024 - 25.02.2024

Laajuus

3 op

Yksikkö

SeAMK Automaatio- ja tietotekniikka

Toimipiste

SeAMK Seinäjoki, Frami

Opetuskielet
  • Suomi
Tutkinto-ohjelma
  • Insinööri (AMK), Automaatiotekniikka
Opettaja
  • Pasi Mikkonen
Opiskelijaryhmät
  • AUTE22SA
    Insinööri (AMK), Automaatiotekniikka, Päivätoteutus

Tavoitteet

Opiskelija osaa soveltaa kurssilla esiteltyjä matemaattisia menetelmiä käytännön ongelmien ratkaisemiseksi

Sisältö

Opintojakson sisältö
Koneoppimisen perusteita:
Minimointi nopeimman laskeutumisen periaatteella
Lineaarinen regression
Logistinen regressio
Neuroverkot

Oppimateriaalit

Luennoitsijan luentomateriaalit ja luentojen esimerkit.

Opetusmenetelmät

Luennot, harjoitukset

Opiskelijan ajankäyttö ja kuormitus

81h

Arviointiasteikko

1-5

Arviointikriteerit, tyydyttävä (1)

tyydyttävä (1-2): Opiskelija tuntee ja hallitsee tyydyttävässä määrin koneoppimisen peruskäsitteet ja menetelmät sekä kykenee soveltamaan niitä tavanomaisten ongelmien ratkaisemisessa.

Arviointikriteerit, hyvä (3)

hyvä (3-4): Opiskelija tuntee hyvin koneoppimiseen liittyvät peruskäsitteet ja menetelmät sekä kykenee soveltamaan niitä erityyppisten ongelmien ratkaisemisessa. Hän kykenee yhdistämään oppimaansa aiempiin kokemuksiinsa aihepiiristä.

Arviointikriteerit, kiitettävä (5)

kiitettävä (5): Opiskelija tuntee kiitettävästi koneoppimiseen liittyvät käsitteet ja menetelmät sekä kykenee soveltamaan niitä monipuolisesti erityyppisten kysymysten ja ongelmien ratkaisemisessa. Hän on osoittanut kykyä luoda aihepiirin puitteissa uusia merkityksiä sekä osoittaa innovatiivisuutta oppimaansa soveltaen.

Arviointimenetelmät ja arvioinnin perusteet

harjoitustyöt

Esitietovaatimukset

Algebra ja geometria, Vektorit ja matriisit, Differentiaali- ja integraalilaskenta, Automaatiotekniikan matematiikka