Johdanto

Tällä hetkellä on hankalaa välttyä kuulemasta tekoälystä ja sen käyttämisestä erilaisiin tarkoituksiin. Puhetta ja kirjoituksia aiheesta on niin paljon, että kaiken hälyn keskellä saattaa olla vaikeaa keskittyä tunnistmaan mikä on oleellista ja mikä on tarpeellista. Lisäksi tekoälystä puhutaan paljon kuitenkaan ymmärtämättä tämänhetkisiä rajoitteita tai toisaalta tietämättä mahdollisuuksia.

Tämän itsenäisesti suoritettavan kurssin tavoitteena on selventää tekoälyä käsitteenä, oppia ymmärtämään taustalla olevia matemaattisia mekansismeja ja algortitmeja sekä soveltamaan tekoälyä pienimuotoisissa tehtävissä. Tavoitteena on myös oppia arvioimaan erilaisia mittareita, joilla tekoälyn suorituskykyä mitataan. Kurssikokonaisuus on rakennettu siten, että ensimmäiset neljä osaa esittelevät tekoälyä yleisellä tasolla. Loput kymmennen osaa pitävät sisällään enemmän teknistä asiaa, joiden avulla on mahdollista päästä tekemään pieniä kokeiluja tekoälyn parissa itsekseen. Kukin kurssin osa rakentuu aiemmissa osissa opitun tiedon päälle, joten suosittelemme suorittamaan kurssin osat järjestyksessä. Kunkin kurssin osan opiskeluun kannattaa varata aikaa noin neljä tuntia.

Tekoäly, koneoppiminen, datatiede, data-analytiikka, esiintyvät termeinä usein aiheesta puhuttaessa. Ne kuitenkin ovat alueita, jotka leikkaavat toisiaan, mutta eivät täysin ole sama asia. Tämä kurssikokonaisuus pyrkii selventämään tekoälyn käsitettä. Pääasiassa kurssi esittelee koneoppimista, joka on tekoälyn tällä hetkellä käytetyin ja monessa mielessä käyttökelpoisin työkalu erilaisissa käytännön sovelluksissa. Esittelemme myös sovelluksia ja perehdymme niiden käyttöön. Kussakin kurssin osassa on kysmyksiä ja tehtäviä, joita kannattaa miettiä osaamisensa syventämiseksi.

Kurssin ja sen osien valmistuessa keräämme myös aiheeseen liittyvää sanastoa, josta voi käydä tarpeen vaatiessa tarkistamassa mitä jokin asia tarkoittaa.

Pääset katsomaan kurssin sisältöjä:

• luomalla tunnukset ja
• kirjatumalla sisään -oppimisympäristöön.

Antoisia hetkiä tekoälyn parissa.

Tästä siirryt kurssin ensimmäiseen osaan.

Kurssiin liittyvissä asioissa voit olla yhteydessä apulaisprofessori Ilkka Pölöseen.

Esimerkki tekoälystä

Kurssilla käytetään oppimisympäristöä, joka mahdollistaa sujuvasti erilaisten tehtävien tekemisen.

Alla on esimerkki siitä kuinka oppimisympäristöä voidaan käyttää yksinkertaisissa tekoälyharjoituksissa. Alla ennustetaan diabeteksen kehittymistä 10 mitatun muuttujan avulla (ikä vuosina, sukupuoli, painoindeksi. keskimääräinen verenpaine, seerumin kokonaiskolesteroli, matalatiheyksiset lipoproteiinit, korkeatiheyksiset lipoproteiinit, kokonaiskolesteroli / HDL, seerumin triglyseridien log-arvo, verensokeritaso).

Käytetty menetelmä on lineaarinen regressio, josta kerrotaan tarkemmin kurssin myöhemmissä osissa. Alla olevassa esimerkissä muodostetaan kaksi datajoukkoa (koulutus ja testi), joista toisella selvitetään muuttujien riippuvuussuhteet ja muodostetaan yksinkertainen koneoppimismalli. Testijoukolla testataan mallin toimivuutta. Tässä toimivuus testataan piirtämällä kuva testijoukosta ennustetuista arvoista ja niiden todellisten arvojen välillä. Kuvasta huomataan, että malli oppii sangen hyvin arvioimaan ja ennustamaan diabeteksen kehittymistä.

Lisätietoa käytetystä datajoukosta: Bradley Efron, Trevor Hastie, Iain Johnstone and Robert Tibshirani (2004) Least Angle Regression, Annals of Statistics (with discussion), 407-499.

Siirry kurssin ensimmäiseen osaan.