Opinto-opas 2014-2015
Perus

Perus Pori KV Jatko Avoin Haku

|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 muokattu04.03.2015