Opinto-opas 2014-2015 Perus Perus Pori KV Jatko Avoin |Tutkinnot|     |Opintokokonaisuudet|     |Opintojaksot|

Opinto-opas 2014-2015

SGN-13000 Johdatus hahmontunnistukseen ja koneoppimiseen, 5 op Introduction to Pattern Recognition and Machine Learning

Vastuuhenkilö

Joni Kämäräinen

Opetus

Opetusmuoto	P1	P2	P3	P4	Kesä	Toteutuskerrat	Luentoajat ja -paikat
Luennot Harjoitukset		28 h/per  12 h/per				SGN-13000 2014-01	Keskiviikko 12 - 14 , TB223 Torstai 10 - 12 , TB223 Tiistai 10 - 12 , TB224 Tiistai 11 - 13 , TB219 Tiistai 10 - 13 , TB104

Suoritusvaatimukset

Tentti ja hyväksytyt harjoitukset.
Osasuoritusten pitää liittyä samaan toteutuskertaan

Osaamistavoitteet

Opintojakson suorittettuaan opiskelija tuntee hahmontunnistus- ja koneoppimisjärjestelmien perusrakenteen ja osaa suunnitella ja ohjelmoida tällaisen. Kurssi antaa laajan kuvan erilaisista lähestymistavoista ja opiskelija osaa tunnistaa näiden hyviä ja huonoja puolia. Kurssi antaa tarvittavan pohjatiedon hahmontunnistuksen ja koneoppimisen jatkokursseille ja vahvistaa ymmärrystä myös monista aiheeseen liittyvistä muista opinnoista (moderni signaalinkäsittely, konenäkö, signaalinkäsittely, audiosignaalien käsittely).

Sisältö

Sisältö	Ydinsisältö	Täydentävä tietämys	Erityistietämys
1.	Hahmontunnistuksen ja koneoppimisen perusteet, järjestelmien rakenne ja esimerkkejä. Lineaarinen regressio ja luokittelu. Koneoppimisen perustavaa laatua olevat lähestymistavat käyttäen lukio- ja kanditason matematiikkaa.
2.	Konseptioppiminen (concept learning)
3.	Päätöspuuoppiminen (decision tree learning)
4.	Bayesilainen oppiminen/luokittelu ja todennäköisyystiheysfunktioiden estimoiminen.
5.	PROGOL-ohjelmat ja logiikkaoppiminen
6.	Neuroverkot ja tukivektorikoneet (support vector machines)
7.	Ohjaamaton (unsupervised) oppiminen: klusterointimenetelmät, itseorganisoituva kartta (SOM) ja lineaariset menetelmät
8.	Instanssipohjainen eli "laiska" oppiminen.
9.	Koneoppiminen robotiikassa ja erityisesti reinforcement learning

Ohjeita opiskelijalle osaamisen tasojen saavuttamiseksi

Kurssin hyväksytty suorittaminen edellyttää tentin läpäisemistä ja kurssiharjoitusten itsenäistä tekemistä ja palauttamista hyväksytysti.

Arvosteluasteikko:

Opintojaksolla käytetään numeerista arviointiasteikkoa (1-5)

Osasuoritukset:

Osasuoritusten pitää liittyä samaan toteutuskertaan

Oppimateriaali

Tyyppi	Nimi	Tekijä	ISBN	URL	Painos,saatavuus...	Tenttimateriaali	Kieli
Kirja	Elements of Statistical Learning, 2nd edition	Trevor Hastie, Robert Tibshirani, Jerome Friedman			Tilastotieteilöiden kirjoittama hyvä kirja. Erityisesti random forests osuus on otettu tästä kirjasta.	Kyllä	Englanti
Kirja	Machine Learning	Tom Mitchell	0070428077		Pääasiallinen kurssikirja. Moni luennon aihe on suoraan tästä kirjasta ja kirjoittajan www-sivulta löytyy aiheista hyvät kalvot.	Kyllä	Englanti
Kirja	Statistical Pattern Recognition, 3rd Edition	Andrew R. Webb, Keith D. Copsey	978-0-470-68227-2		Erittäin hyvin kirjoitettu kirja, koska kirjoittajat ovat pääasiassa menetelmien käyttäjiä eivätkä kehittäjiä. Support vector machines (SVM) osuus on otettu tästä kirjasta.	Kyllä	Englanti

Tietoa esitietovaatimuksista
Oletetaan että opiskelija hallitsee hyvin kandidaattitason insinöörimatematiikan ja ohjelmoinnin.

Esitietoketju (Vaatii kirjautumisen POPiin)

Vastaavuudet

Opintojakso	Vastaa opintojaksoa	Selite
SGN-13000 Johdatus hahmontunnistukseen ja koneoppimiseen, 5 op	SGN-2500 Johdatus hahmontunnistukseen, 4 op

Tarkempia tietoja toteutuskerroittain

Toteutus	Kuvaus	Opetusmuodot	Toteutustapa
SGN-13000 2014-01	Tällä kurssilla opetetaan perusmenetelmät ja lähestymistavat, joita sovelletaan koneoppimisessa ja hahmontunnistuksessa. Kurssi on yleishyödyllinen, koska samat menetelmät ovat käytössä lähes kaikilla insinöörialoilla.

Viimeksi muokattu

04.03.2015