Numeerinen mallinnus (3op)
Toteutuksen tunnus: A800DB96-3003
Toteutuksen perustiedot
- Ilmoittautumisaika
- 10.11.2025 - 18.02.2026
- Ilmoittautuminen toteutukselle ei ole vielä alkanut.
- Ajoitus
- 02.03.2026 - 26.04.2026
- Toteutus ei ole vielä alkanut.
- Opintopistemäärä
- 3 op
- Yksikkö
- SeAMK Automaatio- ja tietotekniikka
- Toimipiste
- SeAMK Seinäjoki, Frami
- Opetuskielet
- suomi
- Koulutus
- Insinööri (AMK), Automaatiotekniikka
- Opettajat
- Pasi Mikkonen
- Ryhmät
-
AUTE24SAInsinööri (AMK), Automaatiotekniikka, Päivätoteutus
- Opintojakso
- A800DB96
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
Aika ja paikka
Aikataulut löytyvät lukujärjestyksestä osoitteesta https://lukkarikone.seamk.fi/. Lukujärjestyksiä on julkaistuna kuusi seuraavaa viikkoa. Syksyn 6 ensimmäistä viikkoa julkaistaan juhannukseen mennessä ja kevään 6 ensimmäistä viikkoa jouluun mennessä. Lukujärjestyksiin voi tulla muutoksia.
Oppimateriaalit
Ilmoitetaan opintojakson alussa.
Opetusmenetelmät
Opinto toteutetaan lähiopetuksena ja se edellyttää opetukseen osallistumista SEAMKin kampuksella.
Opiskelijan ajankäyttö ja kuormitus
Opinnon työmäärä on mitoitettu siten, että opinnon tavoitteena olevan osaamisen hankkimiseksi yksi opintopiste vastaa keskimäärin 27 tuntia opiskelijan tekemää työtä. Todellinen ajan tarve vaihtelee yksilöittäin mm. aiemman osaamisen takia.
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.
Esitietovaatimukset
Algebra ja geometria, Vektorit ja matriisit, Differentiaali- ja integraalilaskenta, Automaatiotekniikan matematiikka