Valinnainen opintojakso

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

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

Ei muodollisia esitietovaatimuksia lukiomatematiikan lisäksi (perusaritmetiikka, murtoluvut)

Ei muodollisia esitietovaatimuksia lukiomatematiikan lisäksi (perusaritmetiikka, murtoluvut)

Opiskelijoille, jotka haluavat kurssin jälkeen jatkaa tekoälyopintoja, suositellaan tarvittaessa ohjelmointikursseja, joiden jälkeen voi suorittaa tekoälykursseja, joihin sisältyy ohjelmointia. Kursseja järjestetään tällä hetkellä pääasiallisesti tiedekunnassa:

• englanninkielinen "AI Programming"-verkkokurssi alkaa keväällä 2019
• DATA15001 Introduction to AI (englanniksi) liittyy läheisesti Elements of AI-kurssiin ja sisältää ohjelmointitehtäviä
• DATA11001 Introduction to Data Science (syventävä, englanninkielinen) liittyy myös tekoälyn ja koneoppimisen sovelluksiin
• DATA11002 Introduction to Machine Learning syventävä, englanninkielinen) käsittelee erityisesti koneoppimista

Kurssin suorittamisen jälkeen opiskelija osaa:

• nimetä autonomisuuden ja adaptiivisuuden tekoälyn ominaispiirteiksi
• erottaa toisistaan tieteiskirjallisuuden tekoälyn ja oikean tekoälyn
• kuvailla tekoälyn keskeiset filosofiset kysymykset liittyen Turingin testiin ja kiinalaisen huoneen ajatuskokeeseen
• muotoilla tosielämän ongelmia etsintäongelmina
• muotoilla yksinkertaisia pelejä (kuten ristinolla) pelipuuksi
• soveltaa minimax-periaatetta optimaalisten pelisiirtojen ratkaisemiseen rajoitetun kokoeisessa pelipuussa
• ilmaista todennäköisyysarvoja luonnollisina frekvensseinä
• soveltaa Bayesin kaavaa yksinkertaisissa skenaarioissa
• selittää esiintyvyysharhan ja välttää sen bayesilaisen päättelyn avulla selittää miksi koneoppimista tarvitaan
• erottaa ohjatun ja ohjaamattoman koneoppimisen tilanteet toisistaan
• selittää seuraavan kolmen ohjatun koneoppimisen menetelmän periaatteet: lähimmän naapurin luokitin, lineaariregressio ja logistinen regressio
• selittää, mitä neuroverkot ovat ja mihin tarkoituksiin ne sopivat
• ymmärtää myös neuroverkkojen taustalla olevien menetelmien rajoitukset
• ymmärtää tulevaisuuden ennustamisen vaikeus, jotta voit paremmin arvioida tekoälystä esitettyjen väitteiden uskottavuutta
• tunnistaa joitakin tekoälyn merkittävimpiä yhteiskunnallisia vaikutuksia, kuten algoritmista syrjintää, väärennettyjä sisältöjä, yksityisyydensuojaa ja työelämän murrosta

• tarjolla jatkuvasti
• kurssin voi aloittaa milloin tahansa ja sen voi suorittaa omaan tahtiin
• suositeltu kesto on kuusi viikkoa
• missä vaiheessa tahansa opintoja

1. Mitä tekoäly on?

   1. motivaatio

   2. tekoälyn määritelmä

   3. tekoälyn filosofiaa

2. Ongelmanratkaisu tekoälyn avulla

   1. ongelmien muotoilu ja ratkaiseminen tilakaavioiden avulla

   2. yksinkertaisten pelien esittäminen pelipuina

   3. optimaalisten pelisiirtojen valinta pelipuiden avulla

3. Tekoälyn käytännön sovellukset

   1. epävarmuuden esittäminen todennäköisyyksinä

   2. todennäköisyys ja vedonlyöntikertoimet

   3. Bayesin kaava

4. Koneoppiminen

   1. lähimmän naapurin luokitin

   2. lineaariregressio

   3. logistinen regressio

5. Neuroverkot

   1. neuroverkkojen peruskäsitteet

   2. oppiminen neuroverkoissa

   3. perseptroniluokitin

6. Tekoälyn yhteiskunnalliset vaikutukset

   1. tekoälykeskustelu julkisuudessa

   2. tekoälystä esitettyjen väitteiden (tekoälytalvet, singulariteetti, ...) kriittinen arviointi

   3. tekoälyn etiikka

Kurssimateriaali löytyy osoitteesta https://course.elementsofai.com/fi

• Kurssimateriaali koostuu luettavasta tekstistä ja vuorovaikutteisista elementeistä
• Tehtävät haastavat opiskelijan syventymään materiaaliin ja etsimään tarvittaessa lisää tietoa vastauksien tueksi

• Kurssi läpäiseminen edellyttää, että 90% tehtävistä on suoritettu ja suoritetuista tehtävistä vähintään 50% on oikein
• Monivalintatehtävissä ja numeerisissa tehtävissä sallitaan vain yksi vastauskerta
• Tekstivastaukset joko hyväksytään tai hylätään: jälkimmäisessä tapauksessa opiskelijan tulee vastata ko. kysymykseen uudelleen (tarvittaessa useamman kerran, kunnes vastaus hyväksytään)

Tällä kurssilla opiskelijoilla ei ole käytössään Helsingin yliopiston käyttäjätunnuksia. Jos haluat tarkastella tai jakaa opintosuorituksesi tietoja kurssin 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.

Kurssiin liittyvät kysymykset:

• Mikäli kysymyksesi liittyy kurssin oppimisympäristöön tai opintosuoritukseesi oppimisympäristössä, olethan yhteydessä mooc@cs.helsinki.fi
• Avoimen yliopiston ilmoittautumiseen liittyviin kysymyksiin osoitteessa: avoinyo-tietojenkasittelytiede@helsinki.fi,
• Voit esittää kurssiin liittyvän kysymykseksi myös kurssin keskustelufoorumilla: https://spectrum.chat/elements-of-ai-fi/
• DEFA-väylää ja opintoja koskeviin kysymyksiin vastataan osoitteesta DEFA-help@cs.helsinki.fi.
• Kurssin sisältöön liittyvissä kysymyksissä voit olla yhteydessä kurssin vastuuhenkilöön: teemu.roos@helsinki.fi

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

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

Opintojakso on osa tietojenkäsittelytieteen koulutusohjelman aineopintoja.