Louhi-projektin kokemukset oppina. Tekoälyä hoitohenkilökunnalle
|
|
- Tarja Mäki
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Louhi-projektin kokemukset oppina Tekoälyä hoitohenkilökunnalle DI Antti Airola IT-laitos FM Veronika Laippala IT-laitos ja Ranskan kieli Sh Riitta Danielsson-Ojala TYKS
2 Tieteidenvälisyyden esteet ja karikot miten ne vältimme Rakenteelliset esteet Tietoon liittyvät esteet Kulttuuriset esteet Tietoteoreettiset esteet Metodologiset esteet Psykologiset esteet Tieteellisen tiedon vastaanottoon liittyvät esteet Mikkeli H & Pakkasvirta J. Tieteidenvälinen todellisuus
3 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys
4 Tekoäly Järjestelmiä, jotka ajattelevat kuin ihminen Jännittävä uusi pyrkimys saada koneet ajattelemaan... koneita joilla on mielet sanan kirjaimellisessa merkityksessä (Haugeland, 1985) Niiden toimintojen automaatio, jotka yhdistämme inhimilliseen ajatteluun, kuten päätöksenteko, ongelmien ratkominen, oppiminen... (Bellman 1978)
5 Tekoäly Järjestelmiä, jotka käyttäytyvät kuin ihminen Sellaisten koneiden rakentaminen, jotka suorittavat toimintoja, jotka vaativat ihmisten suorittamina älyä. (Kurzweil, 1990) Miten saada koneet tekemään asioita, missä ihmiset ovat tällä hetkellä parempia. (Rich ja Knight, 1991)
6 Tekoäly Järjestelmiä, jotka päättelevät loogisesti Henkisten toimintojen tutkimus laskennallisten mallien avulla. (Charniak ja McDermont, 1985) Sen laskennallisen toiminnallisuuden tutkimus, joka mahdollistaa havainnoimisen, järkeilyn ja toiminnan (Winston, 1992)
7 Tekoäly Järjestelmiä, jotka toimivat rationaalisesti Laskennallinen älykkyys tutkii älykkäiden agenttien suunnittelua (Poole et al., 1998) Tekoäly... koskee älykästä toiminnallisuutta artefakteissa (Nilsson, 1998)
8 Louhi Louhi-projektin tavoitteena on kehittää älykkäitä menetelmiä, jotka ovat avuksi päivittäisessä hoitotyössä Keskitymme erityisesti menetelmiin, jotka pystyvät hyödyntämään potilasasiakirjojen tekstiosia Voimmeko löytää näistä merkkejä tietyistä vaivoista, arvioida potilaan hoidon tarvetta, tehdä automaattisesti yhteenvetoja...?
9 Seuraavaksi luvassa (Hyvin) lyhyt oppimäärä tekoälystä Koneoppiminen, seuraavassa esityksessä luonnollisen kielen jäsentäminen Peruskäsitteitä Sovelluksista enemmän päivän myöhemmissä esityksissä
10 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys
11 Historiaa
12 Tekoälyn juuret Filosofia (300-L eaa -) Mistä tieto on peräisin?, Miten tieto johtaa oikeaan toimintaan? Matematiikka (800 -) Mitä voidaan laskea?, Miten toimia epävarman tiedon varassa? Taloustiede (1776 -) Miten toimia niin, että voitot maksimoituvat? Neurotieteet (1861-) Miten aivot käsittelevät tietoa?
13 Tekoälyn juuret Tietotekniikka (1940 -) Miten rakentaa tehokkaita tietokoneita? Säätötekniikka ja kybernetiikka (1948 -) Miten artefaktit voivat toimia itseohjautuvasti? Lingvistiikka (1957 -) Mikä on kielen ja ajattelun yhteys?
14 Tekoälyn synty (1956) 1956 Dartmouth Logic Theorist, automatisoitu päättelijä kykenee todistamaan useita teoreemoja Principia Mathematicasta Älyä ja luovuutta vaativa toiminto automatisoitu! Uusi tieteenala: artificial intelligence eli Tekoäly
15 Suuria odotuksia ( ) Logic Theorist toimi matematiikan maailmassa, entä oikea maailma Simuloiduissa mikromaailmoissa toimivat päättelijät...ensimmäinen askel kohti yleisiä ongelmanratkaisijoita?
16 Suuria odotuksia ( ) Palikkamaailma
17 Suuria odotuksia ( ) Perceptron oppimismenetelmä, lineaarinen luokittelija
18 Annos todellisuutta ( ) Automaattiset päättelijät eivät toimi leikkimaailmojen ulkopuolella Marvin Minskyn: Perceptrons todistaa Perceptron-oppimismenetelmän rajallisen kapasiteetin Luonnollisen kielen kääntäminen The spirit is willing but the flesh is weak kone kääntää: Viina on hyvää, mutta liha kehnoa
19 Tietämyspohjaiset järjestelmät ( ) Seuraava yritys: rajatulle alalle erikoistuneet asiantuntijajärjestelmät Asiantuntijoiden tietämys tallennetaan tietokantaan Ohjelma tekee suosituksia tietokannan pohjalta, automaattisia päättelysääntöjä noudattaen Esimerkiksi MYCIN (verenmyrkytysten tunnistus)
20 Tilastollisten menetelmien vastaisku (1986-) Asiantuntijajärjestelmien ohjelmointi työlästä Sääntöjä liikaa, lopputulos sekava Voitaisiinko järjestelmät saada oppimaan automaattisesti Tilastolliset menetelmät, muun muassa tehokas opetusmenetelmä neuroverkoille
21 Tänään (2008) Tilastolliset menetelmät vallanneet yhä enemmän alaa, kyky mallintaa epävarmuutta ja satunnaisuutta Google, Amazon.com suositukset... Tutkimussuuntia: Luonnollisen kielen prosessointi, konenäkö, robotiikka, datan louhinta, automatisoitu suunnittelu...
22 Esityksen rakenne 1. Johdanto 2. Tekoälyn historiaa ja taustoja 3. Koneoppiminen: älyä tilastollisin menetelmin 4. Luonnollisen kielen käsittely: syntaktinen jäsennys
23 Koneoppiminen Tutkii menetelmiä, jotka mahdollistavat oppivat ohjelmat Oppiminen: ohjelma parantaa toimivuuttaan aikaisemman kokemuksen tai annetun datan perusteella Tietojenkäsittelytieteen, tilastotieteen ja sovelletun matematiikan leikkauspisteessä
24 Opetusdata Opetusdata tarkoittaa esimerkkejä, joilla kone opetetaan Esimerkki koostuu kahdesta osasta - piirteet joiden pohjalta päätös tehdään - oikea päätös Usein tarvitaan asiantuntijoita merkitsemään käsin oikeat päätökset dataan Järjestelmä on vain yhtä hyvä, kuin data jolla se on opetettu
25 Kysymyksiä Mitä voidaan oppia laskennallinen oppimisteoria Miten oppia tehokkaasti algoritmien suunnittelu Mihin hyödyntää menetelmiä datalouhinta, hahmontunnistus, kielen analyysi... Miten soveltaa käytännössä ohjelmistojen kehitys ja käyttöönotto
26 Miksi ja milloin Tietokoneavusteisten menetelmien kehittäminen tilanteissa, joissa perinteinen ohjelmointi mahdotonta tai hyvin työlästä Esimerkki: Röntgenkuvien analysointi syöpäkasvaimien havaitsemiseksi Opetusdatan saatavuus välttämätöntä
27 Sääntöpohjainen vs. opittu Sääntöpohjainen Ohjelmoija syöttää tarkat säännöt Läpinäkyvyys Vaatii asiantuntijan Opittu Ohjelma oppii aineistoa seulomalle Musta laatikko Vaatii laajan merkityn aineiston
28 Luokittelu Yleisin koneoppimisongelma Jaetaan data kahteen tai useampaan luokkaan Esimerkkejä luokituksista: Uutiset: politiikka, sää, talous, urheilu... Sähköposti: roskapostia / ei roskapostia Diagnoosi: nuha, yskä, keuhkokuume...
29 Esimerkkiongelma Työterveryslääkäri: potilaalla stressin oireita Päätös: 1. Riski työuupumuksesta, jatkotoimenpiteitä 2. Ohimenevää stressiä Tilataan suositusjärjestelmä auttamaan päätöksenteossa
30 Esimerkkiongelma Kysymys: onko järjestelmän opetukseen sopivaa dataa saatavilla? Olemassa tietokanta, johon tallennettu - aikaisempia potilaskertomuksia, osassa mainintoja stressin oireista - seurantatietoja siitä, mille potilaille kehittyi myöhemmin työuupumus
31 Esimerkkiongelma Eri vaihtoehtoja ongelman mallinnukseen Päätetään toteuttaa luokittelija Kaksi luokkaa: - Luokka 1: jatkotoimenpiteet tarpeen - Luokka 2: ei suurta riskiä uupumuksesta Opetusdatassa ne joille kehittyi työuupumus kuuluvat luokkaan 1, ja loput luokkaan 2
32 Esimerkkiongelma Valitaan soveltuva koneoppimismenetelmä Jaetaan saatavilla oleva data opetus- ja testiosaan Opetetaan valittu menetelmä datan opetusosalla Testataan opetettua järjestelmää testiosalla Jos järjestelmä riittävän usein oikeassa, otetaan se käyttöön
33 Tutkimuksemme Tutkimme ohjattua oppimista, jossa kone opetetaan käsinmerkityillä esimerkeillä Luokittelun lisäksi rankkaus: - esimerkit paremmuusjärjestykseen Erikoisuutenamme tekstistä oppiminen Seuraavaksi enemmän tekstin analyysistä
34 Lähes autenttinen ote hoitokertomuksesta teho-osastolta Saanut norria ja morkkua NGL ei vedä joten poistettu Puristusvoima vas. ok ko-operoi, siisti SR Nukk.
Tilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotTilastotiede ottaa aivoon
Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen
LisätiedotLaskut käyvät hermoille
Laskut käyvät hermoille - Miten ja miksi aivoissa lasketaan todennäköisyyksiä Aapo Hyvärinen Matematiikan ja tilastotieteen laitos & Tietojenkäsittelytieteen laitos Helsingin Yliopisto Tieteen päivät 13.1.2011
LisätiedotKoneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa
Koneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa Metsätieteen päivä 26.11.2018 Jorma Laaksonen, vanhempi yliopistonlehtori
LisätiedotOngelma(t): Voiko älykkyyden määritellä ja voiko sitä mitata, myös objektiivisesti? Onko älykkyyttä ilman (näkyvää) toimintaa? Voiko kone olla älykäs
Ongelma(t): Voiko älykkyyden määritellä ja voiko sitä mitata, myös objektiivisesti? Onko älykkyyttä ilman (näkyvää) toimintaa? Voiko kone olla älykäs ja jos voi, niin tulisiko sellainen rakentaa? 2012-2013
LisätiedotMiten löytää heikot signaalit hoitotyön kirjauksista?
Miten löytää heikot signaalit hoitotyön kirjauksista? 24.10.2008 TtM Heljä Lundgrén-Laine, FT Tapio Pahikkala Hoitotieteen laitos, Lääketieteellinen tdk Heljä Lundgrén-Laine Esh, TtM, jatko-opiskelijana
LisätiedotTEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)
JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.
LisätiedotTekoäly ja alustatalous. Miten voit hyödyntää niitä omassa liiketoiminnassasi
Tekoäly ja alustatalous Miten voit hyödyntää niitä omassa liiketoiminnassasi AI & Alustatalous AI Digitaalisuudessa on 1 ja 0, kumpia haluamme olla? Alustatalouden kasvuloikka Digitaalisen alustatalouden
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS LUONNOLLISEN KIELEN KÄSITTELY (NATURAL LANGUAGE PROCESSING, NLP) TEKOÄLYSOVELLUKSET, JOTKA LIITTYVÄT IHMISTEN KANSSA (TAI IHMISTEN VÄLISEEN) KOMMUNIKAATIOON, OVAT TEKEMISISSÄ
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3.11.2017 Mitä tekoäly on? Wikipedia: Tekoäly on tietokone tai tietokoneohjelma, joka kykenee älykkäiksi
LisätiedotRobotit ja tekoäly terveydenhuollon työvälineinä nyt ja tulevaisuudessa työn tutkimukseen perustuva näkökulma
VTT TECHNICAL RESEARCH CENTRE OF FINLAND LTD Robotit ja tekoäly terveydenhuollon työvälineinä nyt ja tulevaisuudessa työn tutkimukseen perustuva näkökulma Mikael Wahlström, VTT Erikoistutkija, valtiot.
LisätiedotTekoäly tänään , Vadim Kulikov (Helsingin Yliopisto)
Tekoäly tänään 6.6.2017, Vadim Kulikov (Helsingin Yliopisto) Lyhyesti: kehitys kognitiotieteessä Representationalismi, Kognitio on symbolien manipulointia. Symbolinen tekoäly. Sääntöpohjaiset järjestelmät
LisätiedotTekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto
Tekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto www.cs.helsinki.fi Sisällys Johdanto Tekoäly Tekoäly ja tietoturva Tutkimusesimerkkejä www.cs.helsinki.fi
LisätiedotTekoäly tukiäly. Eija Kalliala, Marjatta Ikkala
Tekoäly tukiäly Eija Kalliala, Marjatta Ikkala 29.11.2018 Mitä on tekoäly? Unelma koneesta, joka ajattelee kuin ihminen Hype-sana, jota kuulee joka paikassa Väärinymmärretty sana -> vääriä odotuksia, pelkoja
LisätiedotEdistyksen päivät, Helsinki. Voiko tutkija muuttaa maailmaa? Humanistista meta-analyysiä merkitysneuvottelevien koneiden avulla.
Edistyksen päivät, Helsinki Voiko tutkija muuttaa maailmaa? Humanistista meta-analyysiä merkitysneuvottelevien koneiden avulla Timo Honkela timo.honkela@helsinki.fi 5.10.2017 Taustaa: Rauhankone-konsepti
LisätiedotTekoäly liiketoiminnassa. Tuomas Ritola CEO, selko.io
Tekoäly liiketoiminnassa Tuomas Ritola CEO, selko.io Selko.io Automaattista teknisen tekstin luokittelua ja analysointia, eli tekoälyä tekstidatalle. Päivän agenda: Tekoäly. Muotisana? Strategia? Uhka?
LisätiedotTekoälyn perusteita ja sovelluksia (TIEP1000)
Tekoälyn perusteita ja sovelluksia (TIEP1000) Informaatioteknologian tiedekunta 6. marraskuuta 2018 JYU. Since 1863. 6.11.2018 1 Kurssin osanottajat Tiedekunta Ei tiedossa 3 HTK 77 ITK 211 KTK 4 LTK 20
LisätiedotRobotit kuntien päätöksenteon tukena
Robotit kuntien päätöksenteon tukena Kuntamarkkinat 11.9.2019 Alkuun vähän taustaa... Miksi emme enää ole köyhiä? Digitalisaatio Laajaalainen taloudellinen ja yhteiskunnallinen muutosprosessi, jonka
LisätiedotTiedonlouhinta rakenteisista dokumenteista (seminaarityö)
Tiedonlouhinta rakenteisista dokumenteista (seminaarityö) Miika Nurminen (minurmin@jyu.fi) Jyväskylän yliopisto Tietotekniikan laitos Kalvot ja seminaarityö verkossa: http://users.jyu.fi/~minurmin/gradusem/
LisätiedotJohdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]
Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn
LisätiedotTekoälysovellus: (Ennustaminen) Arviointi, estimointi
Tekoälysovellus: (Ennustaminen) Arviointi, estimointi ENNUSTAMINEN (PREDICT) Ennustaminen on mallitusslangia. Paremmin kuvaava termiolisi estimointi, arviointi, selittäminen. Esimerkki: Otetaanihmispopulaatiosta
LisätiedotMatemaatikot ja tilastotieteilijät
Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat
LisätiedotTekoäly ja sen soveltaminen yrityksissä. Mika Rantonen
Tekoäly ja sen soveltaminen yrityksissä Mika Rantonen Tekoäly- paljon puhetta, mistä kyse? Lyhyesti sanottuna: tekoäly on sellaista koneen tekemää toimintaa, joka ihmisen tekemänä olisi älykästä Otetaan
LisätiedotKielellisten merkitysten tilastollinen ja psykologinen luonne: Kognitiivisia ja filosofisia näkökulmia. Timo Honkela.
Kielellisten merkitysten tilastollinen ja psykologinen luonne: Kognitiivisia ja filosofisia näkökulmia Timo Honkela timo.honkela@helsinki.fi Helsingin yliopisto 29.3.2017 Merkityksen teoriasta Minkälaisista
LisätiedotJUHTA ja VAHTI juhlatilaisuus, Tietojärjestelmien tulevaisuudesta tekoälyn kehityksen näkökulmasta. Timo Honkela.
JUHTA ja VAHTI juhlatilaisuus, 2017 Tietojärjestelmien tulevaisuudesta tekoälyn kehityksen näkökulmasta Timo Honkela timo.honkela@helsinki.fi 31. lokakuuta 2017 Ihmisestä ja ihmisyhteisöistä Kuva:/skylgroup.com/communities--socities/
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
Lisätiedot2.4. Oppimistyyleistä
2.4. Oppimistyyleistä 1. Käytännölliset Näin ajattelevilla todellisuus koostuu siitä, mitä he aistivat näkemällä, koskettamalla, kuulemalla, haistamalla ja maistamalla. He huomaavat ja pystyvät palauttamaan
LisätiedotOleelliset vaikeudet OT:ssa 1/2
Oleelliset vaikeudet OT:ssa 1/2 Monimutkaisuus: Mahdoton ymmärtää kaikki ohjelman tilat Uusien toimintojen lisääminen voi olla vaikeaa Ohjelmista helposti vaikeakäyttöisiä Projektiryhmän sisäiset kommunikointivaikeudet
LisätiedotOPS2016 ja ohjelmointi
1 OPS2016 ja ohjelmointi - johdattelu ohjelmointiin alakoulussa MIKKO HORILA & TUOMO TAMMI OPS2016 ja ohjelmointi 2 Perusopetuksen opetussuunnitelman perusteet päivittyvät syksyllä 2016. Koodaustaidot
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotMyös opettajaksi aikova voi suorittaa LuK-tutkinnon, mutta sillä ei saa opettajan kelpoisuutta.
Tietojenkäsittelytiede Tutkintovaatimukset Perustutkinnot LUONNONTIETEIDEN KANDIDAATIN TUTKINTO (VÄHINTÄÄN 120 OV) 1. Tietojenkäsittelytieteen cum laude approbatur -oppimäärä (vähintään 55 ov) ja kypsyysnäyte
LisätiedotFI Moninaisuudessaan yhtenäinen FI A8-0005/4. Tarkistus
8.2.2017 A8-0005/4 4 Jean-Luc Schaffhauser 1 kohta kehottaa komissiota ehdottamaan kyberfyysisille järjestelmille, autonomisille järjestelmille, älykkäille autonomisille roboteille ja niiden alaluokille
LisätiedotKoodaamme uutta todellisuutta FM Maarit Savolainen https://blog.edu.turku.fi/matikkaajakoodausta/
Koodaamme uutta todellisuutta FM Maarit Savolainen 19.1.2017 https://blog.edu.turku.fi/matikkaajakoodausta/ Mitä on koodaaminen? Koodaus on puhetta tietokoneille. Koodaus on käskyjen antamista tietokoneelle.
Lisätiedot<raikasta digitaalista ajattelua>
Citrus on digitaalisten palveluiden rakentaja. Työtämme ohjaavat luova itsenäinen ajattelu ja vankka teknologiaosaaminen. Työmme tuloksena syntyy helppokäyttöisiä ja älykkäitä
LisätiedotJuurisyiden oivaltaminen perustuu usein matemaattisiin menetelmiin, jotka soveltuvat oireiden analysointiin.
Juurisyiden oivaltaminen perustuu usein matemaattisiin menetelmiin, jotka soveltuvat oireiden analysointiin. Tämä pätee arkisten haasteiden ohella suuriin kysymyksiin: kestävä kehitys, talous, lääketiede,
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN
LisätiedotE. Oja ja H. Mannila Datasta Tietoon: Luku 2
2. DATASTA TIETOON: MITÄ DATAA; MITÄ TIETOA? 2.1. Data-analyysin ongelma Tulevien vuosien valtava haaste on digitaalisessa muodossa talletetun datan kasvava määrä Arvioita: Yhdysvaltojen kongressin kirjasto
LisätiedotTekoäly lääkärin päätöksenteon tukena. Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS
Tekoäly lääkärin päätöksenteon tukena Arho Virkki, DI, FT Lääketieteellisen matematiikan dosentti, TY Auria tietopalvelun johtaja, TYKS Datan hyödyntämisen mahdollisuudet - Ilmiöiden visualisointi - Tilastollinen
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 4 OP PERIODI 1: 6.9.2012-12.10.2012 (6 VIIKKOA) LUENNOT (B123, LINUS TORVALDS -AUDITORIO): TO 10-12, PE 12-14 LASKUHARJOITUKSET
LisätiedotTarvitseeko informaatioteknologia matematiikkaa?
Tarvitseeko informaatioteknologia matematiikkaa? Oulun yliopisto Matemaattisten tieteiden laitos 1 Kyllä kai IT matematiikkaa tarvitsee!? IT ja muu korkea teknologia on nimenomaan matemaattista teknologiaa.
LisätiedotNeuroverkkojen soveltaminen vakuutusdatojen luokitteluun
Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään
LisätiedotTilanne sekä MS-A0003/4* Matriisilaskenta 5 op
MATEMATIIKKA Mat-1.1210 Matematiikan peruskurssi S1 ei järjestetä enää MS-A0103/4* Differentiaali- ja integraalilaskenta I 5 op sekä MS-A0003/4* Matriisilaskenta 5 op Mat-1.1110 Matematiikan peruskurssi
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 18.1.2016-6.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotOHJ-2550 TEKOÄLY Kevät 2007
1 OHJ-2550 TEKOÄLY Kevät 2007 2 Yleistä 6 opintopistettä Jatko-opintokelpoinen? Tarkistettava! Luennot, saattavat loppua ennen periodin V päätöstä Viikkoharjoitukset Harjoitustyöt: 3 kpl Sisältöön mahdollista
LisätiedotSemantic Web käytännön sovelluksissa. TkT Janne Saarela Profium Oy
Semantic Web käytännön sovelluksissa TkT Janne Saarela Profium Oy 26.5.2004 Sisällysluettelo Johdanto Semanttisen Webin maailmaan Mahdollisuudet Tämän päivän käyttökohteet Haasteet 1 Johdanto Semanttisen
LisätiedotEnnakoiva analytiikka liiketoiminnassa
Ennakoiva analytiikka liiketoiminnassa Askeleet edelläkävijäksi Tommi Vilkamo Senior Data Scientist, ecraft Referre Roundtable -ilmoittautujat tänään Muut Ennakoiva analytiikka TEKOÄLY KONEOPPIMINEN ENNAKOIVA
LisätiedotTaasko meitä huijataan ja viedään viimeisetkin rahat? Onko siitä oikeasti hyötyä? Tekoäly ja ohjelmistorobotiikka ja LähiTapiolassa
Taasko meitä huijataan ja viedään viimeisetkin rahat? Onko siitä oikeasti hyötyä? Tekoäly ja ohjelmistorobotiikka ja LähiTapiolassa 1.4.2019 Mikko Vastela @Mick5691 Tekoäly ja lisätty äly Tekoäly artificial
Lisätiedot811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto
811312A Tietorakenteet ja algoritmit 2015-2016 I Johdanto Sisältö 1. Algoritmeista ja tietorakenteista 2. Algoritmien analyysistä 811312A TRA, Johdanto 2 I.1. Algoritmeista ja tietorakenteista I.1.1. Algoritmien
LisätiedotApollon Yhteiskoulu, lukion oppikirjat
Apollon Yhteiskoulu, lukion oppikirjat 2018-2019 21.11.2018 Oppiaine Kurssi Kustantaja ISBN ja formaatti Äidinkieli ja kirjallisuus Särmä. Suomen kieli ja kirjallisuus (LOPS2016) 1 9 Otava painettu kirja
LisätiedotOngelma(t): Miten jollakin korkeamman tason ohjelmointikielellä esitetty algoritmi saadaan suoritettua mikro-ohjelmoitavalla tietokoneella ja siinä
Ongelma(t): Miten jollakin korkeamman tason ohjelmointikielellä esitetty algoritmi saadaan suoritettua mikro-ohjelmoitavalla tietokoneella ja siinä olevilla komponenteilla? Voisiko jollakin ohjelmointikielellä
LisätiedotYhteentoimivuusalusta: Miten saadaan ihmiset ja koneet ymmärtämään toisiaan paremmin?
Yhteentoimivuusalusta: Miten saadaan ihmiset ja koneet ymmärtämään toisiaan paremmin? Avoin verkkoalusta ihmisen ja koneen ymmärtämien tietomääritysten tekemiseen Riitta Alkula 20.3.2019 Esityksen sisältö
LisätiedotKONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY. Esa Sairanen
KONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY Esa Sairanen 29.03.2017 Sisältö Taustaa Tavoite Mitä on koneoppiminen? Azure Machine Learning koneoppimismenetelmiä Projektin vaiheet Data
LisätiedotEsimerkkejä polynomisista ja ei-polynomisista ongelmista
Esimerkkejä polynomisista ja ei-polynomisista ongelmista Ennen yleisempiä teoriatarkasteluja katsotaan joitain tyypillisiä esimerkkejä ongelmista ja niiden vaativuudesta kaikki nämä ongelmat ratkeavia
LisätiedotRuokavalion henkilökohtaiset vaikutukset esiin data-analytiikalla
Ruokavalion henkilökohtaiset vaikutukset esiin data-analytiikalla Jari Turkia CGI Itä-Suomen yliopisto 1 2 Ruokavalion henkilökohtaisten vaikutusten ennustaminen Itä-Suomen yliopiston Kansanterveystieteen
LisätiedotTiedekuntajako. Ehdotus
Tiedekuntako Ehdotus 8.12.2017 Tiedekuntaon periaatteita Uusi yliopisto on ainutlaatuinen mahdollisuus ylittää perinteiset rat yhdistää yhteiskunnan, terveyden tekniikan alan osaamista uusiksi kokonaisuuksiksi.
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
Lisätiedotkäytöstä Minna-Maarit Ampio Sairaanhoitaja / Tutkimushoitaja YAMK opiskelija (Hyvinvointiteknologia) Terveyspalveluiden analytiikka -koulutusohjelma
EBMeDS TYÖKAVERINAkokemuksia päätöksentuen käytöstä Minna-Maarit Ampio Sairaanhoitaja / Tutkimushoitaja YAMK opiskelija (Hyvinvointiteknologia) Terveyspalveluiden analytiikka -koulutusohjelma Pilottijakso
LisätiedotMatematiikka ja tilastotiede. Orientoivat opinnot / 25.8.2015
Matematiikka ja tilastotiede Orientoivat opinnot / 25.8.2015 Tutkinnot Kaksi erillistä ja peräkkäistä tutkintoa: LuK + FM Laajuudet 180 op + 120 op = 300 op Ohjeellinen suoritusaika 3 v + 2 v = 5 v Tutkinnot
LisätiedotLaskennallisten tieteiden tutkimusohjelma. Jaakko Astola
Laskennallisten tieteiden tutkimusohjelma Jaakko Astola Julkisen tutkimusrahoituksen toimijat Suomessa 16.11.09 2 Suomen Akatemian organisaatio 16.11.09 3 Suomen Akatemia lyhyesti Tehtävät Myöntää määrärahoja
LisätiedotFI Moninaisuudessaan yhtenäinen FI. Tarkistus. Beatrix von Storch EFDD-ryhmän puolesta
9.2.2017 A8-0005/9 9 1 a kohta (uusi) 1 a. kehottaa komissiota ehdottamaan seuraavia yhteisiä unionin määritelmiä: tekoäly on tietokonejärjestelmä, joka pystyy jäljittelemään osaa ihmisen kognitiivisista
LisätiedotLuku 2. Datasta tietoon: mitä dataa? mitä tietoa?
1 / 14 Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 31.10.2011 2 / 14 Tämän luennon sisältö
LisätiedotHoitotyötä tietojenkäsittelijöille
Hoitotyö ja hoitotiede Hoitotyötä tietojenkäsittelijöille LOUHI- seminaari 24.10.08 Satu Haapalainen-Suomi sh, TtM-opiskelija, Ty,hoitotieteen laitos Riikka Vuokko, tutkija ÅA, IT-laitos Hoitaminen caring
LisätiedotTekoäly muuttaa arvoketjuja
Tekoäly muuttaa arvoketjuja Näin kartoitat tekoälyn mahdollisuuksia projektissasi Harri Puolitaival Harri Puolitaival Diplomi-insinööri ja yrittäjä Terveysteknologia-alan start-up: Likelle - lämpötilaherkkien
LisätiedotTekoälyn osaamiskartoitus: TEAS-hankkeen keskeisiä tuloksia
Tekoälyn osaamiskartoitus: TEAS-hankkeen keskeisiä tuloksia 22.11.2018 I Heikki Ailisto, VTT Oy Projektiryhmä: Heikki Ailisto, Heli Helaakoski, Anssi Neuvonen, Eetu Heikkilä, (VTT Oy) Timo Seppälä (ETLA/Aalto),
LisätiedotTU901-O Ohjelman yhteiset opinnot
Korvaavat kurssit tuotantotalouden lukuvuoden 12 13 opinto-oppaan mukaisiin O-moduuleihin laajaa oppimäärää suorittaville TU901-O Ohjelman yhteiset opinnot Perustieteet (oppaan sivu 98) Kurssit lukuvuoden
LisätiedotIntegrointialgoritmit molekyylidynamiikassa
Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin
LisätiedotThe OWL-S are not what they seem
The OWL-S are not what they seem...vai ovatko? Verkkopalveluiden koostamisen ontologia OWL-S Seminaariesitelmä 15.4.2013 Emilia Hjelm Internet on hankala Nykyinternet on dokumenttien verkko Asiat, joita
LisätiedotOhjelmiston testaus ja laatu. Ohjelmistotekniikka elinkaarimallit
Ohjelmiston testaus ja laatu Ohjelmistotekniikka elinkaarimallit Vesiputousmalli - 1 Esitutkimus Määrittely mikä on ongelma, onko valmista ratkaisua, kustannukset, reunaehdot millainen järjestelmä täyttää
LisätiedotMatematiikka ja tilastotiede. Orientoivat opinnot /
Matematiikka ja tilastotiede Orientoivat opinnot / 27.8.2013 Tutkinnot Kaksi erillistä ja peräkkäistä tutkintoa: LuK + FM Laajuudet 180 op + 120 op = 300 op Ohjeellinen suoritusaika 3 v + 2 v = 5 v Tutkinnot
LisätiedotJohdatus ohjelmointiin C-kielellä P Ohjelmoinnin perusteet C-kielellä A Ohjelmointityö
KORVAAVUUDET Vanha kurssi: Uusi kurssi (korvaava) op/ov: 811192 Johdatus ohjelmointiin C-kielellä + 521276P Ohjelmoinnin perusteet C-kielellä 521141P Ohjelmoinnin alkeet 521276P Ohjelmoinnin perusteet
LisätiedotAgentit ja semanttinen web. Pekka Halonen
Agentit ja semanttinen web Pekka Halonen Henkilökohtainen agentti Aika lääkäriin Agentti toteaa, että käyttäjä tarvitsee lääkäriä Pyytää lääkäriaikoja hoitavan agentin kautta pääsyä ko. vaivaa hoitavalle
LisätiedotARVOA PALVELUPROSESSIEN ANALYSOINNILLA
ARVOA PALVELUPROSESSIEN ANALYSOINNILLA Työkalupäivät 31.8.2016 Ilkka Mikkonen Infotool Oy Taustat Ilkka Mikkonen Infotool - Toimitusjohtaja Konsultointia 25v Palveluiden ja tietotekniikan yhdistäjä Analytiikka,
LisätiedotSulautetut järjestelmät
Sulautetut järjestelmät Johdatus sulautettuihin järjestelmiin (JSU) Pekka Toivanen E-Mail: Pekka.Toivanen@uef.fi GSM: +358 40 543 9021 Syksy 2017 Opintojakso Luennot ti 7.11. klo 8-10, Sali F211 Seminaari
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 16.1.2017-3.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotPRE-DP VANHEMPAINILTA. Pre-DP, IB1, IB2
PRE-DP VANHEMPAINILTA Pre-DP, IB1, IB2 Keitä me olemme? Suvi Tirkkonen, 0447184568 suvi.tirkkonen@opedu.kuopio.fi opettajat Mitä me teemme ja miten me teemme? IB-koordinaattori, historianopettaja, ro,
LisätiedotPuheentunnistus. Joel Pyykkö 1. 1 DL-AT Consulting
Puheentunnistus Joel Pyykkö 1 1 DL-AT Consulting 2018 Sisällysluettelo Puheentunnistus Yleisesti Chattibotin Luonti Esimerkkinä - Amazon Lex Puheentunnistus Yleisesti Puheentunnistus Yleisesti Puheentunnistus
LisätiedotÄlykäs ja viisas Suomi Miten tekoäly muotoilee yhteiskuntaamme?
Älykäs ja viisas Suomi Miten tekoäly muotoilee yhteiskuntaamme? Pilkahduksia tulevaisuuteen Tietopolitiikka, tekoäly ja robotisaatio hyvinvoinnin ja taloudellisen menestyksen mahdollistajana Suomessa 19.3.2019
LisätiedotTulevaisuuden tietoyhteiskuntataidot
Tulevaisuuden tietoyhteiskuntataidot Perusopetuksen yleisten tavoitteiden ja tuntijaon uudistaminen 18.3.2010 Jyrki Koskinen Sisältö Mitkä tiedot, taidot ja osaamisen muodot korostuvat tulevaisuuden tietoyhteiskunnassa?
LisätiedotTilaisuus alkaa klo 9 ( ). #digibarometri Wi-Fi: FinlandiaHall
Tilaisuus alkaa klo 9 (15.6.2017). #digibarometri Wi-Fi: FinlandiaHall Tervetuloa Tuomo Luoma, Verkkoteollisuus @tluoma #digibarometri Julkistaminen Petri Rouvinen, Etlatieto Oy #digibarometri 2016 2017
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotJulkinen loppuraportti Simua Startupin nopea kokeilu Oulun Ritaharjun koulussa
Julkinen loppuraportti 7.8.2019 Simua Startupin nopea kokeilu Oulun Ritaharjun koulussa Oulun kaupungin nopeiden kokeilujen ohjelma II, Kevät/2019 Tulevaisuuden älykkäät oppimisympäristöt Kokeilun esittely
LisätiedotData-analyysi tieteenalana Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto
Data-analyysi tieteenalana Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto Faculty of Science Department of Computer Science www.cs.helsinki.fi 9.5.2017 1 Sisällys
LisätiedotEnergiatehokkuutta parantavien materiaalien tutkimus. Antti Karttunen Nuorten Akatemiaklubi 2010 01 18
Energiatehokkuutta parantavien materiaalien tutkimus Antti Karttunen Nuorten Akatemiaklubi 2010 01 18 Sisältö Tutkimusmenetelmät: Laskennallinen materiaalitutkimus teoreettisen kemian menetelmillä Esimerkki
LisätiedotVaikuttavuutta hanketoimintaan yhdessä tekemällä ja toisia osallistamalla. Omia näkemyksiä ja kokemuksia kehittämisestä ja kehittämisen johtamisesta
Harri Usmi 1.10.2019 Vaikuttavuutta hanketoimintaan yhdessä tekemällä ja toisia osallistamalla Omia näkemyksiä ja kokemuksia kehittämisestä ja kehittämisen johtamisesta Kuukausittaisen palkanmaksun perusteet
LisätiedotOpetussuunnitelma uudistui mikä muuttui? Tietoja Lielahden koulun huoltajille
Opetussuunnitelma uudistui mikä muuttui? Tietoja Lielahden koulun huoltajille Mikä on opetussuunnitelma? Se on kaiken koulun opetuksen ja toiminnan perusta Siinä kerrotaan Mitä opiskellaan milläkin vuosiluokalla
LisätiedotKognitiivinen tietojenkäsittely ja big data
Älyllä terveyteen Älyllä tulevaisuuteen Kognitiivinen tietojenkäsittely ja big data Prof. Pasi Tyrväinen, JY / IT TDK pasi.tyrvainen@jyu.fi JYU. Since 1863. 02.11.2017 1 Kognitio ja tekoäly Kognitio on
LisätiedotALGORITMIT & OPPIMINEN
ALGORITMIT & OPPIMINEN Mitä voidaan automatisoida? Mikko Koivisto Avoimet aineistot tulevat Tekijä: Lauri Vanhala yhdistä, kuvita, selitä, ennusta! Tekijä: Logica Mitä voidaan automatisoida? Algoritmi
LisätiedotYAUTE19 Insinööri (ylempi AMK), Automaatiotekniikka
Seinäjoen Ammattikorkeakoulu Oy YAUTE19 Insinööri (ylempi AMK), Automaatiotekniikka Koulutus antaa valmiudet toimia teknologiayrityksen vaativissa asiantuntija- ja esimiestehtävissä. Koulutus kehittää
LisätiedotTulevaisuuden ja kehitteillä olevat tekniikat (FET)
Tulevaisuuden ja kehitteillä olevat tekniikat (FET) Hoitavatko robotit, mihin tietokone on kadonnut? Pekka Karp Euroopan komissio Tietoyhteiskunnan tekniikat PK - Joensuu 27/05/02 FET= Future and Emerging
LisätiedotTutkintovaatimukset suoraan DI-vaiheeseen valituille
1 / 10 Tutkintovaatimukset suoraan DI-vaiheeseen valituille Tutkintovaatimukset määräytyvät suoraan DI-vaiheeseen valituilla opiskelijoilla pääsääntöisesti samoin kuin muillakin DI-tutkintoa suorittavilla
LisätiedotUUSI LOPS. Kauppilantie Jalasjärvi EI OLE PAKOLLINEN KURSSI, HUOMIOI Puh TEKEMÄSI VALINNAT JA NIIDEN TOTEUTUMINEN
JALASJÄRVEN LUKIO 1.-3. VUOSIKURSSI UUSI LOPS Kauppilantie 1 61600 Jalasjärvi EI OLE PAKOLLINEN KURSSI, HUOMIOI Puh. 040 560 2480 TEKEMÄSI VALINNAT JA NIIDEN TOTEUTUMINEN Oikea kirja valitaan TARKISTAMALLA
Lisätiedot8003051 Puheenkäsittelyn menetelmät
8003051 Puheenkäsittelyn menetelmät Luento 7.10.2004 Puhesynteesi Sisältö 1. Sovelluskohteita 2. Puheen ja puhesyntetisaattorin laatu 3. Puhesynteesin toteuttaminen TTS-syntetisaattorin komponentit Kolme
LisätiedotViikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen
LisätiedotMitä, missä, milloin... Sovelluksia, huomioita, ajatuksia. Mikael Collan
Tekoäly ja koneoppiminen hoitotyössä Mitä, missä, milloin... Sovelluksia, huomioita, ajatuksia Mikael Collan 31.8.2017 Tämä esitys Tekoäly = Artificial i Intelligence (AI) ja koneoppiminen = Machine Learning
LisätiedotOPPIMISANALYTIIKKA OPPILAITOKSISSA (2018) DigiKilta-seminaari, Hämeenlinna LEENA VAINIO
OPPIMISANALYTIIKKA OPPILAITOKSISSA (2018) DigiKilta-seminaari, Hämeenlinna 7.11.2018 LEENA VAINIO 3 Mitä se on? Oppimisanalytiikalla tarkoitetaan oppijoista ja heidän toimintaympäristöistä kerättävää
LisätiedotOpiskelijoiden ja opettajien erilaiset käsitykset opettamisesta koulutuksen suunnittelun taustalla
Opiskelijoiden ja opettajien erilaiset käsitykset opettamisesta koulutuksen suunnittelun taustalla Viivi Virtanen ja Sari Lindblom-Ylänne Kasvatustieteen päivät Vaasa 23.11.2007 Kuvat Aki Suzuki ja Heikki
LisätiedotOsallisuuden ja kokemuksen prosessointia tehtävän avulla
Osallisuuden ja kokemuksen prosessointia tehtävän avulla POIMU Sosiaalityön käytännönopettajien koulutus Kirsi Nousiainen 13.11.2014 Lahti 13.11.2014 Kirsi Nousiainen 1 Kolme näkökulmaa ohjaukseen 1. Ihminen
LisätiedotOPETTAJA VERKOSSA: Koodaaminen
OPETTAJA VERKOSSA: Koodaaminen 27.2.2017 Oskari Uotinen #opeverkossa OPETTAJA VERKOSSA: Koodaaminen 27.2.2017 Oskari Uotinen #opeverkossa Tallenteet: Tinyurl.com/opeverkossa Tulevien webinaarien rekisteröitymislinkit:
LisätiedotOsaamisen kehittäminen ja kulttuuritausta
Osaamisen kehittäminen ja kulttuuritausta Opettamisesta osaamiseen Jaana Holvikivi Monikulttuurisuus Metropoliassa Ulkomaalaiset tutkinto-opiskelijat Maahanmuuttajat (opettajat ja opiskelijat) Vilkas opiskelija-
LisätiedotTabletit opetuskäytössä - työpaja
Tabletit opetuskäytössä - työpaja Maakunnallinen lukioveso 27.10.2012 Markus Maunula, FM Centria ammattikorkeakoulu Mitä ovat tabletit? Tabletit opetuksessa Kolme ekosysteemia Sovellukset Sisältö ipad
Lisätiedot