Tekoälyosaaja

Opit tuntemaan ja käyttämään tehokkaasti monenlaisia erilaisia tekoälytyökaluja ja saat ajantasoista tietoa generatiivisen tekoälyn uusimmista kehitysaskeleista.

Opit käytännön esimerkkien ja tehtävien avulla. Tehtävät kattavat laajan kirjoin aiheita, tekstin tuottamisesta opettamiseen sekä materiaalien, ohjelmakoodin, kuvien, puheen, musiikin ja videoiden luomiseen. Voit itse valita mitä tehtäviä teet, kunhan vaadittu minimäärä täyttyy.

Opintojakso sisältää minimaalisesti teoriaa, noin 99 % on käytäntöä ja 1 % teoriaa. Opintojaksoon ei sisälly matematiikan opiskelua.

Opintojakson aikana opit:

- Prompt-tekniikkaa eli kirjoittamaan tehokkaita kehotteita, joilla saat halutun tehtävän suoritettua
- Käyttämään kuvanluontityökaluja fotorealististen kuvien ja upean taiteen luomiseen
- Hyödyntämään kuvasta-kuvaan-generointia, sekä kuvasta videoksi
- Käyttämään tekoälyä esitysmateriaalien ja videoiden luomiseen
- Tekemään musiikkia tekoälyn avulla
- Käyttämään tekoälyä minkä tahansa tekstin kirjoittamiseen, uudelleenkirjoittamiseen ja analysointiin
- Käyttämään tekoälyä ideoiden generointiin ja asiantuntijana apunasi
- Käyttämään tekoälytyökaluja ohjelmointitehtävien suorittamiseen (koodin generointi, virheiden löytäminen ja korjaus, dokumentointi, testaus, koodin uudelleen kirjoittaminen/refaktorointi, agenttipohjainen tekoälyavusteinen ohjelmistokehitys)

Vapauta datan voima Pythonilla – yhdellä monipuolisimmista ja laajimmin käytetyistä ohjelmointikielistä datatieteessä. Tällä opintojaksolla opit käsittelemään, muokkaamaan ja analysoimaan dataa vaihe vaiheelta, rakentaen vahvan perustan todellisiin datatyöskentelytilanteisiin.

Aloitat yksittäisten muuttujien tarkastelulla ja visualisoinnilla, jonka jälkeen siirryt monimuuttuja-analyysiin sekä kaavojen, trendien ja riippuvuuksien löytämiseen. Käytännön harjoitusten ja esimerkkien avulla suoritat myös tilastollisia testejä paljastaaksesi riippuvuuksia ja saadaksesi merkityksellisiä oivalluksia datasta.

Opintojakson suoritettuasi osaat:

• Kirjoittaa Python-ohjelmia ja hallita dataa tehokkaasti – mukaan lukien tiedostojen lukeminen ja kirjoittaminen, eri tiedostomuotojen käsittely sekä ohjelmoinnin perusrakenteiden hyödyntäminen.
• Käsitellä, puhdistaa ja muuntaa dataa pandas-kirjaston avulla – mukaan lukien puuttuvien arvojen ja kaksoiskappaleiden käsittely, valinta, indeksointi, ryhmittely ja muunlaisen manipuloinnin käyttäminen merkityksellisten oivallusten löytämiseksi.
• Suorittaa eksploratiivista data-analyysiä ja perustason tilastollisia testejä tutkiaksesi muuttujien välisiä suhteita ja tukeaksesi datalähtöistä päätöksentekoa.
• Visualisoida ja viestiä datan oivalluksia tehokkaasti käyttäen Matplotlib-kirjastoa ja visuaalisen analytiikan periaatteita, sekä yhdistää kaikki opitut taidot käytännön projekteihin ja todellisiin työnkulkuympäristöihin.

Opintojakson aikana työskentelet keskeisten Python-kirjastojen, kuten pandas ja Matplotlib, kanssa ja opit taitoja, jotka ulottuvat paljon pelkkää analyysiä pidemmälle – taitoja, joita voit hyödyntää mm. automaatiossa, raportoinnissa, data engineeringissä ja muussa datatyössä. Kurssin lopussa sinulla on itsevarmuutta hallita datan työnkulkuja raakadatasta käytännöllisiin oivalluksiin saakka.

Opintojaksolla käsitellään seuraavia aiheita:

• Johdatus Pythonin ohjelmointirakenteisiin datankäsittelyssä
• Erimuotoisten datatiedostojen lukeminen ja kirjoittaminen
• Datarakenteiden ymmärtäminen ja käyttäminen Pythonissa
• Datan puhdistaminen: puuttuvien arvojen ja kaksoiskappaleiden käsittely
• Datan valinta, indeksointi, ryhmittely ja muuntaminen pandas-kirjastolla
• Eksploratiivinen data-analyysi (EDA) yhden ja useamman muuttujan avulla
• Datan visualisointi Matplotlibilla ja visuaalisen analytiikan periaatteet
• Perustason tilastollisten testien tekeminen muuttujien välisten suhteiden tutkimiseksi
• Osaamisen soveltaminen käytännön miniprojektissa, jossa yhdistetään kaikki kurssin aiheet

Päätavoitteena on oppia hyödyntämään olemassa olevia tekoälyyn liittyviä rajapintoja (Application Programming Interface, API).

Omien tekoälymallien kouluttaminen voi olla kohtuuttoman kallista ja aikaa vievää. Tällä opintojaksolla keskitytään palveluihin ja rajapintoihin, joiden avulla voit nopeasti tehdä omia tekoälyllä toimivia sovelluksia tai lisätä tekoälyn osaksi työkalupakkiasi tai olemassa oleviin sovelluksiin. Toteutus kattaa kaikki johtavat tekoälytuotteiden tarjoajat (OpenAI, Google Gemini, Anthropic) sekä myös kuvageneraattorit ja äänen (puhe ja musiikki) generoinnin. Kurssilla käydään läpi myös runsaasti erilaisia avoimen lähdekoodin tekoälymalleja ja niiden hyviä ja huonoja puolia.

Opintojakso sisältää paljon esimerkkejä ja ohjelmointitehtäviä. Jotkut niistä saattavat vaatia maksua tekoälyrajapintojen käytöstä, mutta kustannukset ovat todennäköisesti kohtuullisia (esim. noin 10 eurolla voi ostaa tarpeeksi krediittejä lyhyisiin kokeiluihin). Osaa malleista voi käyttä ilmaiseksi tai ajaa omalla tietokoneella.

Ohjelmointi tehdään Pythonilla. Opiskelijan olisi hyvä tuntea myös GIT perusteet.

Opintojakson aikana opit:

- käyttämään yli kymmentä erilaista tekoälyyn liittyvää rajapintaa (API) hyödyntääksesi olemassa olevia tekoälypalveluita tekstin, kuvien, äänen (puhe ja musiikki) ja muun luomiseen.
- käsittelemään kaikenlaisia tietoja PDF-tiedostoista docx-tiedostoihin, verkkosivuihin, kuviin, videoihin ja puheeseen syötteenä suurille kielimalleille (LLM)
- luomaan jäsenneltyä tulostetta (JSON) ja muotoilua sisältäviä PDF-tiedostoja LLM:ien avulla
- hakuavusteista generointitekniikkaa (RAG)
- työkalujen eli funktioiden kutsuminen kielimalleista ja model context protocol (MCP)
- luomaan omia mukautettuja botteja ja virtuaalisia persoonia järjestelmäkehotteiden avulla
- luomaan modernin web-käyttöliittymän tai tehokkaan komentorivin tekoälysovelluksellesi
- käyttämään tekoälyä tehtävien nopeuttamiseen ja automatisointiin, kuten tekstin tiivistäminen, tiedonkeruu, kuvien luominen, äänen kääntäminen ja litterointi, tuotekuvausten luominen, markkinointimateriaalien luominen, data-analyysi
- asentamaan ja käyttämään tekoälytyökaluja omalla tietokoneellasi.

Tämä opintojakso johdattaa koneoppimisen maailmaan ja siihen, miten datan avulla voidaan tehdä ennusteita. Tutustut useisiin ohjatun ja ohjaamattoman oppimisen algoritmeihin. Opintojaksolla opit hyödyntämään koneoppimisen mahdollisuuksia ja näet, kuinka data voidaan muuntaa tarkkoiksi ennusteiksi ja käytännöllisiksi oivalluksiksi.

Opintojaksolla esittellään keskeisiä koneoppimisen menetelmiä, kuten k-lähimmät naapurit (k-Nearest Neighbors), k-keskiarvoklusterointi (k-Means clustering), lineaarinen regressio, päätöspuut ja tukivektorikoneet (Support Vector Machines, SVM). Kokeilet myös ulottuvuuksien vähentämisen menetelmiä ja saat perustaidot tekstianalyysin ja tunneanalyysin tekemiseen.

Käytännön harjoitusten ja projektien avulla opit suunnittelemaan, toteuttamaan ja käyttämään ennustavia malleja Pythonilla ja sen tehokkailla datatieteiden kirjastoilla.

Opintojakso perehdyttää koneoppimisen perusteisiin ja siihen, miten ennustavia malleja rakennetaan datan pohjalta. Opiskelijat tutustuvat keskeisiin ohjatun ja ohjaamattoman oppimisen algoritmeihin ja oppivat soveltamaan niitä todellisiin ongelmiin.

Opintojakson suoritettuasi osaat:

• Osoittaa vankan ymmärryksen koneoppimisen keskeisistä käsitteistä, menetelmistä ja työnkuluista
• Soveltaa erilaisia ohjatun ja ohjaamattoman oppimisen menetelmiä käytännön ennustustehtäviin
• Suunnitella, toteuttaa ja ottaa käyttöön yksinkertaisia koneoppimisratkaisuja Pythonin ja sen tehokkaiden datatieteiden kirjastojen avulla

Opintojakso kattaa keskeiset ennustavan mallintamisen menetelmät ja koneoppimisen perusteet, mukaan lukien:

• Ohjatun oppimisen perusteet (esim. k-lähimmät naapurit, k-Nearest Neighbors)
• Ohjaamattoman oppimisen menetelmät (esim. k-keskiarvoklusterointi, k-Means clustering)
• Lineaarinen regressio ja korrelaatioanalyysi
• Mallin monimutkaisuus: ali- ja ylisovittaminen (underfitting ja overfitting)
• Päätöspuut luokitteluun ja regressioon
• Tukivektorikoneet (Support Vector Machines, SVM)
• Ulottuvuuksien vähentämisen menetelmät
• Johdanto tekstianalyysiin: aiheen tunnistus, säännölliset lausekkeet ja luonnollisen kielen käsittely (Natural Language Processing, NLP)
• Tunneanalyysin perusteet

Tutustu syväoppimiseen ja opi, kuinka koneet oppivat tunnistamaan kuvioita, kuvia ja dataa itsenäisesti. Tällä opintojaksolla esittellään neuroverkkojen, konvoluutioverkkojen (CNN) ja keskeisten optimointimenetelmien, kuten gradienttilaskennan, perusteet. Käytännön harjoitusten kautta koulutat malleja oikealla datalla, kokeilet siirto-oppimista ja hyödynnät konenäköön tarkoitettuja Python-kirjastoja käytännön ongelmien ratkaisemiseksi. Opintojakson suoritettuasi sinulla on valmiudet suunnitella, kouluttaa ja mukauttaa neuroverkkopohjaisia malleja todellisiin käyttötarkoituksiin.

Opintojakson tavoitteena on tarjota vahva käsitteellinen ymmärrys neuroverkoista sekä käytännön osaamista niiden rakentamisesta, kouluttamisesta ja soveltamisesta reaalimaailman dataan.

Opintojakson suoritettuaan osaat:

• Selittää neuroverkkojen perusperiaatteet ja ymmärtää, miten ne oppivat datasta
• Ymmärtää ja toteuttaa gradienttilaskentaan perustuvan optimointialgoritmin
• Suunnitella, kouluttaa ja arvioida konvoluutioverkkoja (CNN) kuvantunnistustehtävissä
• Käyttää konenäön Python-kirjastoja ja soveltaa niitä käytännön ongelmiin
• Suorittaa mallien koulutusta omilla aineistoilla ja hyödyntää siirto-oppimista mallien suorituskyvyn parantamiseksi
• Muokata ja laajentaa olemassa olevaa neuroverkkokoodia uusien aineistojen ja tehtävien ratkaisemiseksi

Opintojakso kattaa seuraavat keskeiset aihealueet:

• Python-kirjastot konenäköä varten
• Neuroverkkojen perusteet
• Gradienttimenetelmä ja mallien optimointi
• Konvoluutioverkot (CNN:t) ja niiden sovellukset
• Neuroverkkopohjaisten mallien kouluttaminen omalla datalla
• Siirto-oppimisen (transfer learning) hyödyntäminen tulosten parantamiseksi

Näihin aiheisiin perehdytään luentojen, valikoidun kirjallisuuden sekä laajojen Python-koodiesimerkkien avulla. Opiskelijat työskentelevät valmiiden koodipohjien parissa ja mukauttavat niitä uusiin aineistoihin. Tämä toimii harjoitusprojektin perustana, joka palautetaan arvioitavaksi opintojakson lopussa.

Opintojakson suoritettuasi:

- tunnistat ongelman ja osaat ehdottaa siihen ratkaisua tekoälyn avulla.
- osaat käyttää sopivia työkaluja ja menetelmiä ratkaisun suunnittelussa.
- toteutat ratkaisun systemaattisesti.
- arvioit ratkaisua eri skenaarioissa huomioiden mahdolliset ongelmat ja niiden lieventämisen.
- esität ratkaisusi eri sidosryhmille sopivalla kielellä.

Tekoälyprojekti -opintojaksolla toteutat ja dokumentoit laajasti tekoälyä hyödyntävän projektin. Projektin lopputulos voi olla kirja, video, peli, web-sivusto, uusi mobiili-, työpöytä- tai verkkosovellus, joka on useamman kuin yhden kehotteen tulos. Projekti voi olla myös olemassa olevien tekoälyohjelmointirajapintojen soveltaminen robotiikassa, IoT:ssä tai automaatiossa. Projekti voi olla myös taideinstallaatio tai yrityksen käyttämä teknologiaprototyyppi.

Projekti on jaettu useisiin vaiheisiin: ryhmän muodostaminen ja suunnittelu, prototyyppi, beta ja lopullinen versio. Opiskelijat saavat palautetta jokaisesta vaiheesta.