Kuva: Reaktor

YMMärrä TEKOÄLYÄ

Tule mukaan opiskelemaan huippumenestyksen saavuttaneelle tekoälykurssille!

Mitä tekoäly on? Mikä merkitys sillä on työhösi tai elämääsi? Miten tekoäly tulee kehittymään? Opintojakson tavoitteena on tehdä tekoälystä ymmärrettävää. Et tarvitse syvällistä matematiikan ymmärrystä tai ohjelmointitaitoja. Voit aloittaa opintojakson joustavasti MOOC-oppimisympäristössä milloin tahansa ja suorittaa sen omaan tahtiin. Lisätietoa löydät kuvauksesta!

HUOMAA MYÖS: Pohditko opintojakson suorittamiseen liittyviä tekijöitä? Kurkkaa usein kysytyt kysymykset tästä (mm. miten kurssisuoritus arvostellaan, kuinka pitkä opintojakso on, kuinka saat opintopisteet). Voit esittää tarvittaessa kysymyksesi (esimerkiksi opintojakson tehtäviin liittyen) myös opintojakson keskustelufoorumilla täällä.

*Tämä kurssitoteutus on sama kuin tämä.*

Registration and fee

MILLOIN ilmoittaudun opintojaksolle?

  • Saat ohjeet Avoimen yliopiston kurssi-ilmoittautumista varten opintojakson MOOC-verkko-oppimisympäristössä, kun olet suorittanut opintojakson.
  • Ilmoittautuminen Avoimeen yliopistoon on mahdollista 31.08.2021 saakka.

MIKSI minun kannattaa ilmoittautua opintojaksolle?

  • Jos haluat että opintosuorituksesi kirjataan Helsingin yliopiston opintorekisteriin, sinun täytyy tehdä jälki-ilmoittautuminen opintojaksolle Avoimeen yliopistoon.

KUKA voi ilmoittautua opintojaksolle?

  • Helsingin yliopiston perustutkinto-opiskelijat voivat ilmoittautua opintojaksolle käyttäen Helsingin yliopiston käyttäjätunnusta. Opintojaksolle ilmoittaudutaan Avoimen yliopiston ilmoittautumislomakkeen kautta.
  • Mikäli et ole Helsingin yliopiston opiskelija, voit ilmoittautua opintojaksolle sähköisen ilmoittautumislomakkeen täyttämällä.

HUOM!

  • Jos ilmoittautumisen yhteydessä annetut tiedot ovat virheellisiä, on suorituksen rekisteröinti mahdotonta.
  • Opintojakson opintopisteet rekisteröidään viimeistään 4-6 viikon kuluessa ilmoittautumisesta.
  • Heinäkuun kurssisuoritusten opintopisteet rekisteröidään elokuussa.

Käytännön ohjeita opiskeluun
Järjestelyt erityistä tukea tarvitseville

Varaamme oikeuden muutoksiin opinto-ohjelmassa.

Description

Valinnainen opintojakso

  • Sopii kaikkien koulutusohjelmien opiskelijoille
  • kohderyhmänä erityisesti opiskelijat, jotka ovat suorittaneet vähän tai ei lainkaan tietojenkäsittelyn opintoja

Voit suorittaa opintojakson osana Tietojenkäsittelytieteen osaston DEFA-opintoja (Digital Education For All)

No formal prerequisites beyond high-school mathematics (basic arithmetics with fractions)

After the course, if the student wishes to continue learning about AI, we recommend learning some programming and taking introductory AI courses

  • a follow-up MOOC "AI Programming" will begin in Spring 2019
  • DATA15001 Introduction to AI is a closely related intermediate course that also includes programming exercises on the same topics
  • DATA11001 Introduction to Data Science (advanced course)
  • DATA11002 Introduction to Machine Learning (advanced course)
  • closely related Bachelor programmes include the Bachelor of Science and Bachelor of Computer Science
  • closely related Master's programmes include the Master of Data Science and Master of Computer Science

After completing the course, the student will be able to:

  • Identify autonomy and adaptivity as key concepts of AI
  • Distinguish between realistic and unrealistic AI (science fiction vs. real life)
  • Express the basic philosophical problems related to AI including the implications of the Turing test and Chinese room thought experiment
  • Formulate a real-world problem as a search problem
  • Formulate a simple game (such as tic-tac-toe) as a game tree
  • Use the minimax principle to find optimal moves in a limited-size game tree
  • Express probabilities in terms of natural frequencies
  • Apply the Bayes rule to infer risks in simple scenarios
  • Explain the base-rate fallacy and avoid it by applying Bayesian reasoning
  • Explain why machine learning techniques are used
  • Distinguish between unsupervised and supervised machine learning scenarios
  • Explain the principles of three supervised classification methods: the nearest neighbor method, linear regression, and logistic regression
  • Explain what a neural network is and where they are being successfully used
  • Understand the technical methods that underpin neural networks
  • Understand the difficulty in predicting the future and be able to better evaluate the claims made about AI
  • Identify some of the major societal implications of AI including algorithmic bias, AI-generated content, privacy, and work

any stage of studies
suitable for all students in any study programme
the target audience is especially students with little or no computer science studies

the course is offered continuously
the course can be started at any time, and completed at any pace
recommended duration is six weeks

What is AI?

  • motivation
  • definition of AI
  • philosophy of AI

AI problem solving

  • formulating and solving problems using state diagrams
  • formulating simple games (tic-tac-toe or chess) as game trees
  • solving game trees using the minimax algorithm

Real world AI

  • expressing uncertainty using probability
  • probabilities and odds
  • Bayes formula

Machine learning

  • nearest neighbor classifier
  • linear regression
  • logistic regression

Neural networks

  • concepts of neural computation
  • learning in neural networks
  • perceptron classifier

Implications

  • public perception of AI
  • critical evaluation of claims made about AI (e.g., singularity, AI winter)
  • societal implications and ethics of AI

The course material is available at https://course.elementsofai.com/

  • The course material contains text and interactive elements
  • The exercises are designed to challenge the student to re-read the material and access further sources enough to be able to produce an answer
  • Successful completion requires 90% completed exercises and minimum 50% correctness
  • Only one attempt is allowed in the multiple choice quizzes and numerical exercises
  • Exercises with written answers are accepted or rejected based on the reviews: in case of rejection, another attempt is allowed (as many times as required)

Tällä opintojaksolla opiskelijoilla ei ole käytössään Helsingin yliopiston käyttäjätunnuksia. Jos haluat tarkastella tai jakaa opintosuorituksesi tietoja opintojakson päätyttyä, kirjaudu Opetushallituksen ylläpitämään Oma Opintopolku -palveluun. Opintosuoritus näkyy enintään kahden vuorokauden viiveellä Oma Opintopolku -palvelussa sen kirjautumisesta Helsingin yliopiston opintorekisteriin. Oma Opintopolku -palveluun kirjautumista varten sinun tulee tunnistautua pankkitunnuksella, mobiilivarmenteella tai sirullisella henkilökortilla.

Opintojaksoon liittyvät kysymykset:

Opintojakso on kaikille avoin ja maksuton MOOC (Massive Open Online Course). Opintojakson opiskelu tapahtuu MOOC-oppimisympäristössä, josta löytyy materiaalit ja ohjeet opintojakson suorittamiseksi. Opiskelu tapahtuu itsenäisesti ja voit aloittaa opiskelun milloin vain omassa tahdissasi.

Teemu Roos. Opintojakso on toteutettu Helsingin yliopiston ja Reaktor Oy:n yhteistyönä.