{"id":null,"code":"521161S","name":{"valueFi":"Multimodaalinen datafuusio","valueEn":"Multi-Modal Data Fusion","valueSv":""},"credits":5.0,"minCredits":5,"maxCredits":5,"tags":[{"code":"opinfi-teema-new_technologies","title":{"valueFi":"Uudet teknologiat","valueEn":"New technologies","valueSv":"Nya teknologier"}}],"createdAt":1790534900133,"contentList":[{"title":{"valueFi":"Osaamistavoitteet","valueEn":"Learning outcomes","valueSv":""},"content":{"valueFi":"Opintojakson suoritettuaan opiskelija:\r\n1. ymmärtää erilaisten ja eri lähteistä tulevien  datojen yhdistämisen edut ja haasteet\r\n2. osaa selittää moniaturidatan yhdistämisen perusteet\r\n3. tunnistaa tyypilliset datafuusiotekniikat\r\n4. osaa hyödyntää tilastollisen ja Bayesiläisen päättelyn viitekehystä multimodaalisessa datafuusiossa\r\n5. osaa laajentaa koneoppimisen perusteita multimodaalisessa datafuusiossa\r\n6. osaa toteuttaa perusratkaisuja monianturi- ja multimodaalisen datan yhdistämiseen","valueEn":"Upon completion of the course, the student will be able to: \r\n1. understand the benefits and challenges of combining data of different natures and coming from different sources \r\n2. explain the basic principles of combining multi-sensor data  \r\n3. recognize the common types of data fusion techniques \r\n4. utilize the statistical and Bayesian inference framework in multi-modal data fusion  \r\n5. extend the basic principles of machine learning to multi-modal data fusion \r\n6. implement the basic solutions towards the accomplishment of a given task requiring the integration and combination of multi-sensor and multi-modal data","valueSv":""}},{"title":{"valueFi":"Sisältö","valueEn":"Content","valueSv":""},"content":{"valueFi":"Oletko kiinnostunut tekoälystä, koneoppimisesta ja datan käsittelystä? Haluatko laajentaa osaamistasi ja taitojasi yhdistää ja prosessoida tietoa monista eri lähteistä? \r\n\r\nTutustu Multimodaalinen datafuusio -kurssiin, joka perehdyttää sinut tiedon yhdistämisen taustateoriaan, periaatteisiin ja tekniikoihin useista sensoreista ja datalähteistä. Tämä kattava kurssi esittelee tilastollisen viitekehyksen ja syventyy datan esikäsittelyn, Bayes-päättelyn ja koneoppimisen menetelmiin datafuusiossa. Käytännönläheisten, monipuolisiin sovelluksiin perustuvien esimerkkien avulla opit hyödyntämään edistyneitä algoritmeja ja malleja monimutkaisten haasteiden ratkaisemiseksi. \r\n\r\nOlitpa aloitteleva tutkija tai ammattilainen tekniikan, tekoälyn, koneoppimisen tai datatieteen alalla, tämä kurssi antaa sinulle työkalut hyödyntää datan yhdistämistä vaikuttavien ratkaisujen luomisessa.\r\n\r\nOpintojakso tarjoaa kattavan johdannon monianturisen ja multimodaalisen datafuusion käsitteisiin ja ideoihin. Erityisesti keskitytään kuvaamaan yleinen tilastollinen viitekehys multimodaalisen datan prosessointiin. Tämän viitekehyksen avulla käsitellään datan yhteiset esitysmuodot ja datan kohdistus, Bayesiläinen päättely ja parametrien estimointi, sekventiaalinen Bayesiläinen päättely, koneoppimisen ja hahmontunnistuksen tekniikoita datafuusioon sekä erityisiä malleja ja algoritmeja jokaisesta edellämainituista kategorioista. Lisäksi esitellään todellisia käytännön esimerkkejä ja erilaisia sovelluksia, jotka hyötyvät datafuusiosta. \r\n\r\nKurssi käsittelee seuraavia aiheita:\r\n1. Johdanto\r\n2. Anturit ja arkkitehtuurit\r\n3. Yleiset esitysmuodot\r\n4. Datan kohdistus\r\n5. Bayesiläinen päättely ja parametrien estimointi\r\n6. Sekventiaalinen Bayesiläinen päättely\r\n7. Bayesiläinen päätösteoria ja usean mallin koneoppiminen\r\n8. Viimeisimpiä edistyksiä ja syväoppiminen","valueEn":"Are you interested in AI, machine learning, and playing with data? Want to extend your knowledge and skills to process and combine information from multiple sources? \r\n\r\nDiscover the background theory, principles, and techniques behind integrating information from multiple sensors and data sources in the Multi-Modal Data Fusion course. This comprehensive course introduces a statistical framework, exploring concepts like data pre-processing, Bayesian inference, and machine learning approaches for data fusion. Through real-world examples spanning diverse applications, you'll learn how to apply advanced algorithms and models to solve complex challenges. \r\n\r\nWhether you're an aspiring researcher or a professional in engineering, AI, machine learning, or data science, this course equips you with the tools to leverage data fusion for impactful solutions.\r\n\r\nMore detailed, this course will provide a comprehensive introduction to the concepts and ideas of multi-sensor and multi-modal data fusion. We will be concentrated on defining general statistical framework for multi-modal data processing. Using this framework, we will show concepts of common representation and data alignment, Bayesian inference and parameter estimation, sequential Bayesian inference, and machine learning and pattern recognition approaches to data fusion as well as specific models and algorithms in each aforementioned category. Furthermore, the course will illustrate many real-life examples taken from a diverse range of applications to show how they can be benefitted from data fusion approaches. \r\n\r\nThe course will discuss the following topics:\r\n1. Introduction\r\n2. Sensors and architectures\r\n3. Common representation\r\n4. Data alignment\r\n5. Bayesian inference and parameter estimation\r\n6. Sequential Bayesian inference\r\n7. Bayesian decision theory and ensemble learning\r\n8. Recent advances and deep learning","valueSv":""}},{"title":{"valueFi":"Suoritustavat","valueEn":"Study Methods","valueSv":""},"content":{"valueFi":"Palautettavat ja arvioitavat viikkotehtävät, projektityö ja lopputentti","valueEn":"Returned and graded weekly exercises, project work, and final exam","valueSv":""}},{"title":{"valueFi":"Toteutustavat","valueEn":"Teaching Methods","valueSv":""},"content":{"valueFi":"Opetusmuoto: Hybridi\r\n\r\nOpintojakso koostuu luennoista ja harjoituksista kontaktiopetuksena sekä itsenäisesti tehtävistä kotitehtävistä, loppuprojektista, ja lopputentistä. Luento- ja harjoitusopetukseen voi osallistua myös etäyhteydellä. Lopputentti suoritetaan Exam-tilassa (aikataulutus ja ajanvaraus exam.oulu.fi)\r\n\r\n16 h luentoja, 16 h ohjelmointiharjoituksia, loput itsenäistä työskentelyä, johon sisältyy ennakkotehtäviä, palautettavat viikottaiset ohjelmointitehtävät, projektityö ja tentti.\r\n\r\nOpintojakso käyttää Moodle-alustaa.","valueEn":"Teaching mode: Hybrid\r\n\r\nThe course will be based on a combination of lectures and exercises as contact teaching, as well as independently done home assignments, final project, and final exam. Lecture and exercise sessions can also be attended remotely. Final exam is held in Exam space (scheduled and booked on exam.oulu.fi).\r\n\r\n16 h lectures, 16 h programming exercises, the rest is self-study including pre-exercises, weekly programming assignments, project work, and exam.\r\n\r\nCourse uses Moodle platform.","valueSv":""}},{"title":{"valueFi":"Oppimateriaalit","valueEn":"Learning material","valueSv":""},"content":{"valueFi":"<p>Luentokalvot, kurssikirja, Jupyter notebooks, ohjelmointioppaat ja kirjastoreferenssit, valitut tieteelliset artikkelit</p>","valueEn":"<p>Lecture slides, course book, Jupyter notebooks, programming tutorials and library references, selected scientific articles</p>","valueSv":""}},{"title":{"valueFi":"Lisätiedot","valueEn":"Further information","valueSv":""},"content":{"valueFi":"","valueEn":"","valueSv":""}},{"title":{"valueFi":"Kurssikirjallisuus","valueEn":"Literature","valueSv":""},"content":{"valueFi":"1. H.B. Mitchell. Data Fusion: Concepts, Ideas, and Deep Learning. Springer-Verlag, 2026. Paper and eBook. 978-3-662-71022-7","valueEn":"1. H.B. Mitchell. Data Fusion: Concepts, Ideas, and Deep Learning. Springer-Verlag, 2026. Paper and eBook. 978-3-662-71022-7","valueSv":"1. H.B. Mitchell. Data Fusion: Concepts, Ideas, and Deep Learning. Springer-Verlag, 2026. Paper and eBook. 978-3-662-71022-7"}},{"title":{"valueFi":"Esitietovaatimukset","valueEn":"Qualifications","valueSv":""},"content":{"valueFi":"Opintojakson suorittamisen esitietovaatimukset ovat: 031078P Matriisialgebra, 031021P Tilastomatematiikka, 521156S Matkalla tiedonlouhintaan ja 521289S Koneoppiminen.","valueEn":"The required prerequisite is the completion of the following courses: 031078P Matrix Algebra, 031021P Probability and Mathematical Statistics, 521156S Towards Data Mining, and 521289S Machine Learning.","valueSv":""}},{"title":{"valueFi":"Arviointiasteikko","valueEn":"Assessment scale","valueSv":""},"content":{"valueFi":"1-5/HYL","valueEn":"1-5/FAIL","valueSv":"1-5/FAIL"}},{"title":{"valueFi":"Arviointikriteerit","valueEn":"Assessment criteria","valueSv":""},"content":{"valueFi":"Opintojakso käyttää numeerista arviointia asteikolla 1-5. Lisäksi 0 tarkoittaa hylättyä.\r\n\r\nOpintojakson hyväksyttyyn suorittamiseen vaaditaan viikottaisten harjoitusten ja loppuprojektin suorittamista (vähintään puolet kokonaispisteistä molemmissa kategorioissa). Arvosana koostuu noin 70% ohjelmointiharjoituksista ja projektityöstä sekä 30% lopputentistä. Lisäpisteitä voi saada vapaaehtoisista ennakkotehtävistä.","valueEn":"The course will utilize a numerical grading scale 1-5. In addition, Zero stands for a fail.\r\n\r\nTo pass the course, the student should return the weekly exercises and complete a final project (with minimum of half of the total points in each category). Approximately 70% of the grade will be based on programming  exercises and project work, and 30% on the final exam. In addition, bonus points can be earned from the optional pre-exercises.","valueSv":""}},{"title":{"valueFi":"Arviointikriteerit 2","valueEn":"Evaluation criteria 2","valueSv":""},"content":{"valueFi":"","valueEn":"","valueSv":""}},{"title":{"valueFi":"Arviointikriteerit 3","valueEn":"Evaluation criteria 3","valueSv":""},"content":{"valueFi":"","valueEn":"","valueSv":""}},{"title":{"valueFi":"Arviointikriteerit 4","valueEn":"Evaluation criteria 4","valueSv":""},"content":{"valueFi":"","valueEn":"","valueSv":""}},{"title":{"valueFi":"Pääasiallinen opetuskieli","valueEn":"Primary Teaching Language","valueSv":""},"content":{"valueFi":"englanti","valueEn":"English","valueSv":"engelska"}},{"title":{"valueFi":"Taso","valueEn":"Level","valueSv":""},"content":{"valueFi":"Syventävät opinnot","valueEn":"Advanced Studies","valueSv":"Syventävät opinnot"}},{"title":{"valueFi":"Oppiaine","valueEn":"Subject","valueSv":""},"content":{"valueFi":"Tietotekniikka","valueEn":"Computer Science and Engineering","valueSv":""}},{"title":{"valueFi":"Vastuuhenkilöt","valueEn":"Person in charge","valueSv":""},"content":{"valueFi":"Jaakko Suutala","valueEn":"Jaakko Suutala","valueSv":"Jaakko Suutala"}},{"title":{"valueFi":"Luokittelu","valueEn":"Classification","valueSv":""},"content":{"valueFi":"Uudet teknologiat","valueEn":"New technologies","valueSv":"Nya teknologier"}},{"title":{"valueFi":"Linkit","valueEn":"Links","valueSv":""},"content":{"valueFi":"","valueEn":"","valueSv":""}}]}