Opetusportfolio

Mikko Parviainen

9. marraskuuta 2012

Henkilotiedot

Sukunimi: ParviainenEtunimet: Mikko PekkaSyntymaaika: 1.7.1978

Koulutus

7.5.2003 Diplomi-insinoori (oivallisesti suoritettu tutkinto),– Sahkotekniikan osasto Tampereen teknillinen yliopisto– Paaaine signaalinkasittely, sivuaine digitaalinen siirtotekniikka31.5.1997 Ylioppilas, Kaarilan Lukio

Nykyinen tyopaikka ja tyotehtavat

Assistentti, Tampereen teknillinen yliopisto, Signaalinkasittelyn laitos– jatko-opinnot (tekniikan tohtori)– itsenainen tutkimustyo– opetustehtavat

Tiivistelma

Opetusportfolioni tarkoitus on esitella itseni opettajana seka toimijana yliopiston opetuksen or-ganisoinnissa. Esittelen konkreettisen kokemukseni opettajana, nakemykseni oppimisesta ja oppi-misesta seka oman arvioni suoriutumisestani opettajana. Tuottamastani opetusmateriaalista sekamuista tuotoksistani on annettu esimerkkeja liitteissa.Assistentin tehtavassa opetustehtavien ohella olen toiminut opetuksen sahkoiseen tukijarjestelmankehittamiseen liittyvassa tehtavassa seka ohjeistanut muita opettajia opetuksen sen kaytossa. Olenvastannut sahkoisen opinto-oppaan tietojen tarkastuksesta vuosittain yksikomme kurssien osalta.Seuraan omaa suoriutumistani opettajana opiskelijoilta keraamani palautteen avulla. Pyrin kehit-tamaan opetustani myos keskustelemalla kollegoideni kanssa suunnittelemistani opetustavoista jamateriaalista. Olen osallistunut yliopistolla jarjestettaviin opettajakoulutuksiin ja suoritan par-haillaan yliopistopedagogiikan perusopinnot (25 op) -koulutuspakettia.Opettamisen visioni perustuu nakemykseen, etta kaikki voivat oppia. Taman toteuttaminen edel-lyttaa kohdeyleison huomiointia opetuksen rakentamista siten, etta kaikenlaiset oppijat tulevathuomioiduiksi. Tavallisten lahiopetustilanteiden varaan aikaa opetuksessani siihen, opiskelijoillaon mahdollisuus myos henkilokohtaiseen ohjaukseen.Oppiminen on mielestani mahdollista esittamalla uuden teorian ohella aiheeseen liittyvia kon-kreettisia esimerkkeja ja sovelluksia. Kurssien aikana kaikille oppijoille kaikki asiat saattavat olla

1

OPETUSPORTFOLIO1

haasteellisia. On kuitenkin pyrittava siihen, etta kurssin opetus mahdollistaa sisallon syvallisenymmartamisen.

Sisalto

1 Opetushistoria ja -kokemus 3

2 Tuotettu oppimateriaali 3

3 Korkeakouluopetukseen liittyva aktiivisuus 3

4 Oman opetusosaamisen yllapito ja kehittaminen 4

5 Oma nakemys opettamisesta ja oppimisesta 45.1 Opettamisen visioni ja oppimiskasitykseni . . . . . . . . . . . . . . . . . . . . . . . 45.2 Opetus-, oppimis- ja arviointimenetelmat . . . . . . . . . . . . . . . . . . . . . . . 45.3 Arvot opetuksessa ja oppimisessa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55.4 Tutkimuksen kytkeminen opetukseen . . . . . . . . . . . . . . . . . . . . . . . . . . 5

6 Arvio omasta opetuksesta 6

A Matlab-harjoitustehtavia kurssille SGN-2500 Johdatus hahmontunnistukseen 8

B Harjoitustehtavia kurssille SGN-2506 Introduction to pattern recognition 9

C Harjoitustehtava kurssille SGN-2556 Pattern Recognition 10

D Ohje raporttien laatimiseksi kurssilla SGN-2556 Pattern Recognition 11

E Harjoitustehtavia kurssille SGN-2806 Neural Computation 12

F Julkaisuluettelo 13

G Esimerkkeja opiskelijapalauteesta 14

OPETUSPORTFOLIO3

1 Opetushistoria ja -kokemus

• Vastaava opettaja kurssilla SGN-1650 Signaalinkasittelyn tyokurssi / SGN-1656 Signal Proces-sing Laboratory vuodesta 2007 lahtien. Kurssin opiskelijat ovat diplomi-insinoori- ja tohto-riopiskelijoita.

• Harjoitusten suunnittelu ja toteutus kursseilla (suluissa paakohderyhma):

– SGN-2500 Johdatus hahmontunnistukseen (kandi- ja diplomi-insinooriopiskelijat) v.2007 –

– SGN-2506 Introduction to pattern recognition (kansainvaliset kandi- ja diplomi-insinooriopiskelijat)v. 2007 –

– SGN-2806 Neural Computation (diplomi-insinoori- ja tohtoriopiskelijat) v. 2007 –

– SGN-2556 Pattern recognition (diplomi-insinoori- ja tohtoriopiskelijat) v. 2007 –

• Tutkimusprojektin asiakkaan koulutuksen paasuunnittelija v. 2006

– Oppimateriaalin valmistelu seka ohjeistus materiaalin laatimiseksi

– Koulutuksen rakenteen suunnittelu seka aikataulutus

– Koulutusmateriaalin laadintaohje muille opettajille ja tehtavajako

2 Tuotettu oppimateriaali

• Esimerkkeja tuottamastani materiaalista on esitetty liitteissa

– SGN-2500 Johdatus hahmontunnistukseen (Liite A)

– SGN-2506 Introduction to pattern recognition (Liite B)

– SGN-2556 Pattern Recognition (Liite C ja Liite D)

– SGN-2806 Neural Computation (Liite E)

– Koulutusmateriaali yritysasiakkaalle

∗ Opettajan ja oppilaan materiaali2

∗ Muiden opettajien koulutus ja ohjeistus koulutusmateriaalin laatimiseksi

Laajempi katsaus tuottamaani materiaaliin loytyy viitteesta [Parviainen(2012)].

3 Korkeakouluopetukseen liittyva aktiivisuus

• Yksikon muiden opetustehtavissa tyoskentelevien ohjeistaminen uuden tietojarjestelman kayt-toon seka lahitukihenkilona toimiminen (TTY:n ROCK)

• Opinto-oppaan oikeellisuuden tarkastaminen vuosittain

• Julkaisutoiminta (Liite F)

• Opetusmateriaalin kehittaminen kurssilla SGN-2500 [Tohka(2011a)] ja SGN-2506 [Tohka(2011b)]

2Materiaali ei ole julkista, mutta siita voidaan pyydettaessa esittaa otteita.

OPETUSPORTFOLIO4

4 Oman opetusosaamisen yllapito ja kehittaminen

Oppitulosten tarkkailuun olen kayttanyt opiskelijoilta saatua palautetta seka keskusteluja opis-kelijoiden kanssa. Olen keskustellut myos muiden opettajien kanssa opetusmenetelmieni kehitta-miseksi opiskelijapalautteen pohjalta. Pedagoogisia taitojani kartutan osallistumalla koulutuksiin.Kevaalla 2011 osallistuin Opettajana TTY:lla koulutukseen. Syksylla 2012 suoritan Yliopistope-dagogiikan perusopinnot (25 op) -koulutuspakettia.Pyrin jatkuvasti kehittamaan osaamistani opetuksen asiasisallossa seka pedagogisia taitojani. Ta-voitteenani on toimia opetustehtavissa yliopistomaailmassa.

5 Oma nakemys opettamisesta ja oppimisesta

5.1 Opettamisen visioni ja oppimiskasitykseni

Opetus maaraytyy hyvin pitkalle sen mukaan mika on opettajan oppimiskasitys. Oma oppimiska-sitystani kuvaa yhdistelma pedagogiikan klassisista oppimiskasityksista; uskon, etta opettaja voitietyissa opetustilanteissa olla behavioristisen nakemyksen mukaan tiedon valmistelija ja jakajaesimerkiksi, jos kohdeyleisolla on vahaiset lahtotiedot. Toisaalta uskon opiskelijoiden omaan ak-tiiviseen tiedonmuodostukseen, jossa opettajan roolini on opastava ja suunnan nayttaja. Talloinhavaintojeni ja oman oppimiskokemukseni mukaan paastaan usein paljon asioiden syvallisempaanymmartamiseen ja sisaistamiseen kuin perinteisessa valmista tietoa jakavassa oppimistilantees-sa. Opettajan roolin valinta on kuitenkin hyvin voimakkaasti sidoksissa niin kohdeyleisoon kuinopetettavaan ainekseen seka kulloinkin soveltamiskelpoiseen opettamismenetelmaan.Ihmisen kyky oppia ja omaksua uutta riippuu hanen (lahtotietojensa) suhteesta opetettavaan asi-aan. Erityisesti oppijalle taysin uuden asian oppiminen riittavat pohjatiedotkin omaavalta tuleemahdolliseksi parhaiten siten, etta teorian oheen tuodaan soveltavia esimerkkeja. Tama on mie-lestani parempi ratkaisu kuin soveltamisen jattamisen pelkan erillisen harjoitustapahtuman (esim.laskuharjoitukset) varaan. Tama lahestymistapa mielestani mahdollistaa teorian syvallisemmanymmartamisen konkreettisten (esim. tyoelaman) esimerkkien ja niiden avulla tapahtuvan omanoivalluksen kautta.Asioiden oppimisen seuraava vaihe - sisaistys - tapahtuu joskus jopa kiitettavasti suoritetun tentinjalkeen, kun saman aihepiirin tietoa osaa linkittaa keskenaan ja aiempaan tietamykseensa. Kykysoveltaa ja kehittaa uutta voi tapahtua vasta sisaistyksen jalkeen.

5.2 Opetus-, oppimis- ja arviointimenetelmat

Opetusmenetelmina olen kursseillani kayttanyt eri menetelmia riippuen kohdeyleisosta. Peruskurs-seilla, missa oppijoilla on yleensa vahan lahtotietoja, olen kayttanyt menetelmaa, jossa laskuhar-joitus koostuu teorian kertaamisesta yhdessa harjoituksen alussa ja yksilokohtaisesta tai pienryh-massa tapahtuvasta kaytannon harjoituksesta (laskutehtavat). Oppimisnakemykseni mukaisestinaillakin kursseilla harjoituksissa olen usein kayttanyt opettajan ja oppijoiden valista vuoropuhe-lua kaytannon esimerkin suhteesta teoriaan. Syventavilla kursseilla keskustelun maara opetukses-sani on yleensa suurempi, koska oppijoilla on paljon aikaisempia tietoja, joita on hyodyllista pyrkialinkittamaan kyseisella hetkella opettavaan uuteen ainekseen. Lisaksi syventavien kurssien opiske-lijoilla perusteoria on monesti jo hallussa ja siten opettajan on usein hyodyllista toimia auttajanaja opastajana eika tarjota suoria ratkaisuja.Edella mainitun lisaksi olen kursseillani tarjonnut mahdollisuuden myos henkilokohtaiseen tai pien-ryhmassa tapahtuvaan keskusteluun normaalien lahiopetustilanteiden lisaksi. Tama menetelma onhyodyllinen paitsi oppijan kannalta kuin myos opettajalle, jolla han voi arvioida omaa suoriutu-mistaan.Oppimismenelmana olen kokenut aktivoivaan oppimisen erityisen mielekkaaksi seka omien opiske-lujeni aikana etta opettajana toimiessani. Laskuharjoituksissa pyrin haastamaan oppijoita aiheenkriittiseen ja pohtivaan tarkasteluun. Nain oppimistilanne pysyy tehokkaana ja myos mielekkaananiin oppijoille kuin opettajallekin. Tassa tavassa olen havainnut, etta monet ymmartavat asian

OPETUSPORTFOLIO5

paremmin kuin perinteisessa luennossa, jossa opettaja puhuu ja oppijat kuuntelevat. Joitakin op-pijoita aktivoiva ote opetuksessa auttaa edelleen oppimaan syvallisemmin opetettavan asian, kunasiaa saa itse pohtia jonkin ajatustehtavan kautta.Laboratoriokursseilla olen havainnut, etta opettajan on hyodyllista toimia ennemmin ohjaajanroolissa kuin ohjeiden antajana ja suorien kysymysten esittajana. Tama mahdollistaa oppimisenoman oivalluksen kautta. Kaytannossa oppijoille annetaan ongelma ja joitakin lahtokohtia senratkaisemiseksi. Riippuen opetettavasta asiasta lahtokohdat on joskus rajattava siten, ettei erivaihtoehtojen selvittamiseen kulu kohtuuttomasti aikaa. Oppijoiden tuotoksista on havaittavissa,etta sinansa avoimeen ongelmaan (vaikkakin rajattu) esitettyja ratkaisuja on tutkittu kattavastija niiden hyvat ja huonot puolet osataan esittaa. Joskus myos oppijat osaavat tuoda aivan uusiaideoita tai lahestysmistapoja ongelmaratkaisuun tallaisessa oppimismenetelmassa.Vaikka opetus- ja oppimismenetelmat sinansa soveltuisivat kurssille, kaytannon toteutus lopul-ta ratkaisee opettajan onnistumisen tai tehtavassaan. Opetuksen onnistumista voidaan arvioidaloppukokeella, joka on sinansa hyva menetelma mitata oppimista. Tama kuitenkin on nahtavis-sa vasta kurssin jalkeen loppukoetta kaytettaessa. Loppukoe on ongelmallinen myos ulkoaluvunja opiskelun vain tentin vuoksi takia. Taten mielestani on hyva kayttaa kurssin aikana muitakinarvosanaan vaikuttavia mittareita, koska se motivoi monia oppijoita tyoskentelyyn jo kurssin ai-kana. Mahdollisuuksien mukaan ja kasiteltavasta asiasta riippuen opetuksessa on hyva kayttaa“valiaikamittauksia”, jotta opetustapaansa voi muuttaa jo kurssin aikana paremmin oppijoidentarpeita vastaaviksi. Koko opetuksen ajan tapahtuva arviointi antaa myos opettajalle keinon ar-vioida omaa suoriutumistaan opettajana. Taman toteuttamiseksi mielestani opettajan on oltavajatkuvassa vuoropuhelussa oppijoiden kanssa. Oppimista voi ja on hyva mielestani arvioida myosilman varsinaisia valikokeita. Yhtena hyvana keinona tassa olen kayttanyt oppijoiden haastamistaesimerkiksi laskuharjoituksissa yhdessa pohtimaan miten jokin tulos muutuisi, jos lahtotilannet-ta tai kayttya menetelmaa muutetaan. Vastauksista haasteeseen voi arvioida oppimisen tasoa jamahdollisesti korjata omaa opettamistaan.Luentoihin painottuvassa opetuksessa opiskelijoiden oppimistahdin arvioinnissa on hyva kayttaaesimerkiksi lyhyita kertauksia edelliskerran keskeisista aiheista tai aikaisemmasta aineksesta. Nais-sa kertauksissa esitan kysymyksia, joihin oppijat saavat yhdessa pohtia vastauksia. Myos tamaantaa opettajalle arvion omasta opetuksestaan seka luonollisesti oppimisen tasosta.

5.3 Arvot opetuksessa ja oppimisessa

Opetuksessani pyrin toteuttamaan opettajan tarkeinta tehtavaa, joka mielestani on osaamisensynnyttaminen. Jotta tama olisi mahdollista, opetuksessa on huomioitava erilaisten oppijoidentarpeet. Toisaalta on pyrittava palvelemaan niita, jotka tarvitsevat tukea oppimisessaan seka toi-saalta on kyettava aktivoimaan myos kaikkein lahjakkaimpia. Tarkeinta on tavoitella, etta kaikkimotivoituneet opiskelijatsaavuttavat opetettavan aineksen osaamistavoitteet.Edella mainitun rinnalla erittain tarkeaa on jokaisen opiskelijan oikeudenmukainen ja tasa-arvoinenkohtelu: kaikilla pitaa olla yhtalainen mahdollisuus oppimiseen. Toteutan tata opetuksessani esi-merkiksi siten, etta pyrin parhaani mukaan huomioimaan myos niita, joilla ei ole mahdollisuuttaosallistua lahiopetustilanteisiin.

5.4 Tutkimuksen kytkeminen opetukseen

Tutkimuksen kytkeminen on eras tarkeimmista motivaatiotekijoista erityisesti tutkijan uralle tah-taaville opiskelijoille.Kaytannossa olen toteuttanut tata jo usean vuoden ajan kurssilla SGN-2556 Pattern recognitionkayttamalla opetusmenetelmana tutkijan tyoskentelymallia. Kurssi on hahmontunnistukseen kes-kittyva lahinna jatko-opiskelijoille suunnattu kurssi. Kurssin opetusmenetelmana ovat luennot jasoveltavat tietokoneharjoitukset ohjelmistolla, jota kaytetaan myos alan tutkimuksessa (Matlab).Jokaisen harjoituksen jalkeen kukin opiskelija palauttaa raportin kussakin harjoituksessa kasi-tellyista asioista. Raportti laaditaan tieteellisen julkaisun muotoon, jotka arvostellaan sisaltonsa

OPETUSPORTFOLIO6

ja ulkoasunsa perusteella. Kukin opiskelija saa palautteen raporteistaan, jonka avulla opiskelijaaopetetaan tieteellisen julkaisun laadintaan.Vaikka monet opiskelijat ovat aluksi kokeneet ylla kuvatun kaltaisen tyoskentelyn tyolaaksi, siita onkuitenkin pidetty myonteisena ja opettavaisena kokemuksena. Kurssilla syntyneiden opiskelijoidentuotosten perusteella voin todeta, etta moni oppii kyseilla kurssilla opetettavan sisallon lisaksikirjoittamaan paremmin seka kyvyn esittaa tehdyt kokeet tieteellisen julkaisun muodossa. Tastaolenkin saanut paljon positiivista palautetta (esim. Liite G).

6 Arvio omasta opetuksesta

Olen toiminut usean vuoden ajan yliopistoymparistossa opettajana. Vuosina 2004 – 2006 toi-min tuntiassistenttina ja vuoden 2007 helmikuusta lahtien assitenttina paaasiallisena toimenaniopetustehtavat signaalinkasittelyn laitoksen kursseilla. Omien opiskeliaikojen ja naiden tehtavienansiosta minulle on syntynyt kasitys opettajan ja kurssijarjestelyjen vaikutuksesta oppimiseen.Olen havainnut, etta myos opettajan on huomioitava erityisesti lahiopetuksessa eri tyyppiset oppi-jat. Pienessakin ryhmassa on monenlaisia oppijoita, mika tulee huomioida opetuksessa. Huomioin-nilla tarkoitan esimerkiksi opetusmenetelman valintoja. Talla osa-alueella olen mielestani kehitty-nyt eniten lahinna karttuneen kokemuksen ansiosta. Kehittymiseni nakyy opiskelijoilta saadussapalauteessa.

OPETUSPORTFOLIO7

Viitteet

[Parviainen(2012)] M. Parviainen, “Opetusmateriaali,” 2012, 9.11.2012.

[Tohka(2011a)] J. Tohka, “Johdatus hahmontunnistukseen,” http://www.cs.tut.fi/˜jupeto/jhtlectnotes.pdf, 2011, [3.9.2012].

[Tohka(2011b)] ——, “Introduction to pattern recognition,” http://www.cs.tut.fi/˜jupeto/jhtlectnotes eng.pdf, 2011, [3.9.2012].

OPETUSPORTFOLIO8

A Matlab-harjoitustehtavia kurssille SGN-2500 Johdatushahmontunnistukseen

⇤

N (0, 1)

100⇥1

P (!1) =

0.6 P (!2) = 0.4 p(x|!1) =

1p2⇡

exp

⇥� 1

2x

2⇤

p(x|!2) =

1p2⇡

exp

⇥� 1

2 (x� 1)

2⇤

!1 [7, 4]

T[14, 9]

T[16, 2]

T

!2 [4, 3]

T[3, 4]

T[0, 6]

T

!3 [5, 10]

T[3, 9]

T[1, 7]

T

OPETUSPORTFOLIO9

B Harjoitustehtavia kurssille SGN-2506 Introduction topattern recognition

SGN-2506 Introduction to Pattern Recognition Fall 2007Exercise 6 (November 22 – 23). Note: misprint in problem 5 corrected

1. Complete the proof concerning convexity of decision regions of linear classifiers. That is,show that Equation (6.3) in the handout

gi((1� �)r1 + �r2) > gj((1� �)r1 + �r2)

holds if the assumptions of Equation (6.2) are valid and 0 � 1. The idea of this problemis to add a few intermediate steps to check the inequality above. Hint: Note that

wi0 = (1� �)wi0 + �wi0

andgi(rk) = wT

i rk + wi0

2. Consider the following six training points (feature vectors):

!1 : (1, 5)T (2, 7)T (�5,�3)T

!2 : (2,�3)T (�1,�4)T (0, 1)T

(a) Calculate the augmented weight vector using Perceptron algorithm. You may takea(0) = [�4,�1, 1]T , ⌘ = 1, ✏ = 0.

(b) Why you may choose ✏ = 0.?

3. Consider a two-category classification problem

!1 : (0, 1)T (1, 0)T

!2 : (0, 0)T (1, 1)T

Try Perceptron algorithm with this data a(0) = [�4,�1, 1]T , ⌘ = 1. Report the results.

4. Consider a one-feature classification problem with the following training data

!1 : 1 3 5!2 : 3 1 0

(a) Find the function that separates !1 and !1.(b) Find the decision plane

Hint: The decision plane in this case is a point x⇤ so that decision function g(x⇤) = 0.

5. Consider a clustering problem of n feature vectors. How many di↵erent clustering thereexists in total? Hint: First fix the sizes of the clusters, and consider what is the numberof combinations that k feature vectors are assigned to cluster 1. Then sum over k and useBinomial Theorem http://en.wikipedia.org/wiki/Binomial theorem. You may assume thatempty clusters are allowed and a clustering obtained interchanging cluster 1 and 2 consideredis a di↵erent clustering.

6. Let x1 = (4, 5)T ,x2 = (1, 4)T ,x3 = (0, 1)T ,x4 = (5, 0)T , and consider the following threepartitions.

(a) D1 = {x1,x2},D2 = {x3,x4}(b) D1 = {x1,x4},D2 = {x2,x3}(c) D1 = {x1,x2,x3},D2 = {x4}

Which of these does the sum-of-squared errors criterion (the K-means criterion) favor? Whatabout the determinant criterion?

1

OPETUSPORTFOLIO10

C Harjoitustehtava kurssille SGN-2556 PatternRecognition

SGN-2556 Pattern Recognition

Computer exercise 5

Unsupervised learning

February 23, 2012 & February 24, 2012deadline: March 1, 2012 18:00:00 o’clock

1 Clustering

Up till now we have used supervised learning, i.e. procedures where all the samples were la-beled a priori. Unsupervised learning and clustering seek to extract information from unlabeledsamples. Cluster analysis divides data into groups (clusters) such that similar data objects be-long to the same cluster and dissimilar data objects to di↵erent clusters. From a practicalperspective clustering plays an outstanding role in data mining applications such as scientificdata exploration, information retrieval and text mining, spatial database applications, compu-tational biology, and many others where labeling a large set of sample patterns is not possiblefor many reasons. Clustering algorithms may be classified to the following major categories

• greedy iterative algorithms (optimization of some criterion): k-means clustering

• probabilistic clustering : Gaussian mixture model

• hierarchical clustering

• component analysis

• graph-theoretic

1.1 k-means clustering (c-means clustering)

k-means is an algorithm for partitioning (or clustering) N data points into K disjoint subsetsSj containing Nj data points so as to minimize the sum-of-squares criterion

J =KX

j=1

X

n2Sj

|xn � µj|2, (1)

where xn is a vector representing the n-th data point and µj is the geometric centroid of thedata points in Sj. Algorithm iteratively minimizes the criterion by updating the mean vectoruntil there is no change in update.

1) Download the file clustdata.mat from the course webpage. It contains a 2-D vector ofunlabeled features. Visualize the data.

2) Familiarize yourself with k-means clustering algorithm (help kmeans). Try to cluster thegiven dataset into 2 clusters. Visualize the results using di↵erent colors.

1

OPETUSPORTFOLIO11

D Ohje raporttien laatimiseksi kurssilla SGN-2556Pattern Recognition

1

A Sample Document for SGN-2556 Exercise ReportStudent N.N, (student number)

email address

Abstract—The abstract goes here.

I. INTRODUCTION

This document gives a general description on how to writereport of the exercise assignment. Also the structure of areport should follow this template. Note that some headingsshould be rewritten to be descriptive (see below). However,some sections are always named similarly irrespective of thepublication. For instance, the first section after Abstract isnamed as Introduction.

This document also serves as a layout sample for yourreport. Besides the guidelines given here, follow also anyinstructions given on course webpage.

Well written reports are awarded with bonuses. The bonussystem is described below.

II. MATERIAL AND METHODS

This section can be renamed more specifically (e.g. Percep-tron algorithm [1]). Use subsections if necessary and namethem appropriately.

A. The first subsection

B. The second subsection

C. Templates

LATEX and MS Word (OpenOffice) templates are availableat course website. LATEX users need files bare_jrnl.texand IEEEtran.cls to compile a document. MS Word andOpenOffice Writer users need TRANS-JOUR.doc.

If you do not use either of the templates your reportshould at least follow the structural format of this file (i.e.Introduction, Material and Methods, Results, Conclusions) andlayout. Note that your can only collect bonus points by usingthe template files discussed above.

D. Presenting Graphics in a Report

You are required to include graphical presentations in yourreport. Besides the required figures, you may present addi-tional graphics (e.g. block diagram).

The organizations that publish scientific papers and journals,e.g. The Institute of Electrical and Electronics Engineers(IEEE), provide quite strict guidelines for presenting graphics.These guidelines set requirements, not only for format, butalso the contents. That is, there are demands for how an au-thor should prepare graphical presentations (e.g. performancecurves, block diagrams, etc.) to meet scientific standards, andpossibly, specific requirements set by the publisher organiza-tion.

Besides the formal requirements, an author make sure thatthe information presented in a graphical presentation is clearlypresented. For instance, the performance curves of variousalgorithms included in the same figure element should bedistinctive.

A sample figure is provided in the results section to prepareyour figure for the reports produced in this course. Figure 1presents a signal consisting of two components approximatinga 50 Hz and a 100 Hz sinusoid.

Use vector graphic formats like Encapsulated PostScript(EPS) to obtain a high-quality images.

E. Bonus System

You can be awarded by 0, 0.5, 1 bonus points / a report.The following criteria are used.

• Failed– The report fails to meet the minimum requirements

(contents, structure, layout)– “Zero-effort” reports are automatically rejected and

also change to fix the report is denied.– A chance to fix the report in a given time period only

if the original report contains minor defects.• 0 bonus (passed)

– Meets the minimum structural requirements and rea-sonable contents

– Answers/interpretations to questions/phenomena pre-sented in the assignment sheet

– All figures asked– The results are reasonable (i.e. the code is correct)

• 0.5 bonus– The results are analyzed and concluded– Possible reasons for perceived behavior of an algo-

rithm are discussed– References to course book– Uses the given template files

• 1 bonus– References to book, other material (scientific papers)

and comparison between other possible solutions tothe same problem

– More thorough analysis of results. E.g. analysis ofalgorithm and comparison to theory in the coursebook or other literature

– Improvements to tested algorithms or suggestionsto use an alternative algorithm discussed during thecourse

Thus, a maximum of five bonus points (= 5 sessions x max.1 bonus per session) can be collected. Bonus points can beutilized for passed exam i.e. the grade must be at least 1.

OPETUSPORTFOLIO12

E Harjoitustehtavia kurssille SGN-2806 NeuralComputation

SGN-2806: Neural ComputationExercise 2

Nov 10 – Nov 11, 2011

1 Transfer functions and back-propagation

Transfer function, also known as activation function ' defines output yk of the neuronk in the terms of the induced local field vk [Haykin]:

vk =

mX

j=1

wkjxj + bk (1)

yk = '(vk). (2)

Familiarize yourself with:

1. Simple transfer functions from Matlab demos by writing in the Matlab commandwindow:

nnd2n1

Experiment with different functions, values of bias b and weight w. Next, changethe activation '(·). Be sure to understand the connection of the equation aboveand the Matlab demonstration (i.e. the variables).

2. Training with back-propagation. Type nnd in command window and choose“Chapter 11: Backpropagation calculation”.

Follow especially the mechanics of the back propagation, where weight updateis based on back-propagated error signal e. The d-prefix in some function namesrefers to differentiation of the original transfer functions. Those functions areused in back-propagation phase. For instance, dpurelin is the derivative ofpurelin.

3. From “Chapter 11: Generalization” see how size of hidden layer affects the func-tion approximation. Validate the effect of over/underlearning of network withopposite extremes of slider values (low complexity vs. large hidden layer etc.)

2 Function learning

This experiment is based on one found from course literature [Haykin, experiment 4.16]:

Investigate the use of back-propagation learning using a sigmoidal nonlinearity toachieve one-to-one mappings, as described here:

f(x) =

1

x

, 1 x 100 (3)

f(x) = log10 x, 1 x 10 (4)f(x) = exp(�x), 1 x 10 (5)

f(x) = sin x, 0 x ⇡

2

(6)

For each mapping, do the following:

(a) Set up two sets of data, one for network training, and the other for testing.

1

OPETUSPORTFOLIO13

F Julkaisuluettelo

JULKAISUT

Julkaisut

[1] M. Parviainen, “Two-channel separation of speech using direction-of-arrival estimation and

sinusoids plus transients modeling,” in International Symposium on Intelligent Signal Proces-

sing and Communications (ISPACS), IEEE, 2003.

[2] V. Peltonen, A. Eronen, M. Parviainen, and A. Klapuri, “Recognition of everyday auditory

scenes: Potential, latencies and cues,” in 110th AES Convention, 2001.

[3] P. Pertil

¨

a, M. Parviainen, T. Korhonen, and A. Visa, “A spatiotemporal approach to passive

sound source localization,” in International Symposium on Communications and Information

Technologies 2004 (ISCIT 2004), 2004.

[4] M. Parviainen, P. Pertil

¨

a, T. Korhonen, and A. Visa, “A spatiotemporal approach for passive

sound source localization — real-world experiments,” in International Workshop on Nonlinear

Signal and Image Processing (NSIP2005), 2005.

[5] M. Parviainen, T. Pirinen, and P. Pertil

¨

a, “A speaker localization system for lecture room en-

vironment,” in 3rd Joint Workshop on Multimodal Interaction and Related Machine Learning

Algorithms, 2006.

[6] P. Pertil

¨

a, M. Parviainen, T. Korhonen, and A. Visa, “Moving sound source localization in

large areas,” in 2005 International Symposium on Intelligent Signal Processing and Commu-

nication Systems (ISPACS 2005), December 2005.

[7] P. Pertil

¨

a, T. Korhonen, , T. Pirinen, and M. Parviainen, “TUT acoustic source tracking

system 2006,” in CLEAR’06 Evaluation Campaign and Workshop, 2006.

[8] P. Pertil

¨

a, T. Korhonen, , T. Pirinen, and M. Parviainen, “Robust speaker localization in mee-

ting room domain,” in The 32nd International Conference on Acoustics, Speech, and Signal

Processing (ICASSP), 2007.

[9] T. Pirinen, P. Pertil

¨

a, and M. Parviainen,“The TUT 2005 source localization system,”in ”Rich

Transcription 2005 Spring Meeting Recognition Evaluation”, July 13, 2005, Royal College of

Physicians, Edinburgh, UK, 2005.

[10] M. Parviainen, “Robust self-localization solution for meeting room environments,” in 13th

International Symposium on Consumer Electronics, (Kyoto, Japan), 5 2009.

OPETUSPORTFOLIO14

G Esimerkkeja opiskelijapalauteesta

Kuva 1: Opiskelijapalaute kurssista SGN-2556 Pattern Recognition

Kuva 2: Opiskelijapalaute kurssista SGN-1650 Signaalinkasittelyn tyokurssi

Kuva 3: Opiskelijapalaute kurssista SGN-1650 Signaalinkasittelyn tyokurssi

OPETUSPORTFOLIO15

Kuva 4: Opiskelijapalaute kurssista SGN-1656 Signal Processing Laboratory

Kuva 5: Opiskelijapalaute kurssista SGN-2500 Johdatus hahmontunnistukseen