Koodaamisen oppii kokeilemalla ja sopivalla tuella

Koodaamisen opettelu ja yleisesti koneoppimisen sekä tekoälyn ymmärtämisen syventäminen ovat tärkeässä osassa tulevaisuuden osaamispalettia. Koodaamista oppii parhaiten tutustumalla teoriaan ja erityisesti koodaamalla, jossa taas henkilökohtainen tuki nopeuttaa oppimista. Heli Honkanen Maanmittauslaitokselta ja Juha Sainio Varmasta kertovat, minkälaista oli aloittelijana opetella koodausta.

Kati Kiviniemi, 01.03.2019

Klusteri, koodinpätkä, analysointi, parametrit, standardointi, lineaarinen regressiomalli, loopit ja funktiot. Muun muassa nämä sanat olivat erotettavissa innokkaasta puheensorinasta Aalto PRO:n Python ja tekoäly – koodaamisen perusteet -ohjelman projektien esittelypäivänä. Innostus huokuu ryhmästä, joka tuntuu olevan yhtä mieltä, että harjoitteleminen on todella auttanut aloittelijaa eikä alan termitkään ole enää vieraita.

”Harjoitukset ovat olleet välillä raskaita, mutta juuri siksi ne ovat opettaneet eniten”, tiivistää yksi osallistujista. Toinen taas toteaa omasta mielestään keskeneräistä projektityötään esitellessään: ”Tämä koodi ei ole kaunista katseltavaa, mutta tulokset ovat tärkeimmät. Käyttämällä tässä oppii lukemaan ja tekemään.” Tärkeintä olikin päästä koodaamisen alkuun.

Henkilökohtainen tuki auttoi sanoittamaan ongelmaa

Projektikoordinaattori Heli Honkanen (kuvassa) Maanmittauslaitokselta huomasi projektityötä tehdessään, että törmäsi välillä perusasioihin. Niistä ylipääseminen toi kuitenkin itseluottamusta ja ahaa-elämyksiä miten oppia voi työelämässä hyödyntää. Henkilökohtainen tuki oli tärkeää oppimiselle ja Heli Honkasen mukaan auttoi sanoittamaan ongelmaa.

Osallistujat saivat valita aiheen ja aineiston, josta lähtivät tekemään projektityötä.

”Oli innostavaa tehdä projektityö oman organisaation kyselyaineistosta ja kehittää tutkimuksen tukipalveluja Maanmittauslaitoksen paikkatietokeskuksessa. Jatkan tästä eteenpäinkin saman datan kanssa ja mm. vähennän toistoa koodista”, kertoo Heli Honkanen.

Ohjelmaan nykyelämän kielitaitoa ja yleissivistystä hankkimaan tullut Heli Honkanen nimeää kaksi syytä osallistua ohjelmaan.

”Teen töitä projektirahoituksen kanssa ja pystyn nyt paremmin keskustelemaan koodareiden kanssa projekteista. Lisäksi tutkijamme tekevät monimutkaista koneoppimista hyödyntävää tutkimusta. On helpompi tehdä viestintää, kun ymmärtää aiheesta enemmän. Tästä on hyötyä myös rahoituksen hakemistilanteessa, jolloin ajatus pitää myydä rahoittajalle”, tiivistää Heli Honkanen.

Analyysimallin sparraus auttoi eteenpäin

Oppiminen on helpompaa ja motivoivampaa, kun saa työstää harjoituksessa itseään kiinnostavaa aihetta. Erityisesti tämä toteutui kotioluiden valmistamista harrastavan Keskinäisen vakuutusyhtiön Varman tarkastusjohtaja Juha Sainion (kuvassa) projektityössä.

”Omaa oppimistani tukee ratkaisujen käytännönläheinen sovellettavuus. Projektityönä halusin toteuttaa ohjelman, jolla ennustaa uusien olutreseptien onnistumista aiemmin toteuttamiemme oluiden onnistumiseen vaikuttaneiden muuttujien avulla.”, kertoo Juha Sainio.

Päivätyönään hän arvioi Varman toiminnan eri osa-alueita. Data-analyysien avulla hän pystyy paremmin kohdistamaan toimenpiteitä, sekä lisäämään työn kattavuutta ja lopputulosten laatua. Kurssilla opittuja menetelmiä, kuten hierarkkisia klusterointimalleja, voi lähes suoraan hyödyntää esimerkiksi arviointikohteiden riskiperusteisessa tunnistamisessa.

”Projektityössä tutkimusongelman ratkaisuun tarkoitetun mallin valitsemisessa oli tärkeää saada tukea. En ongelmaa määrittäessäni osannut edes ajatella, mitä eri ratkaisuvaihtoja on ja että käyttämäni lineaarinen regressiomalli olisi sopivin. Sparraus Aalto PRO:n ohjaajien kanssa eri vaihtoehdoista auttoi”, kertoo Juha Sainio. 

Hän jakoi olutreseptit ensin eri ryhmiin eli klustereihin niiden ominaisuuksien perusteella. Sen jälkeen hän analysoi klustereita ja sitä, mitkä ominaisuudet voisivat olla oluen onnistumisen kannalta merkittäviä. Tämän jälkeen hän toteutti lineaarisen regressiomallin, jolla ennustaa uusien reseptien onnistumista. Nyt hänellä on kolmelle valmistumassa olevalle oluelle ennuste niiden onnistumisesta.

”Jännittävää nähdä, miten hyvin ennustemalli toimii. Jos malli toimii, niin silloin siinä on potentiaalia jatkotyöstöön”, naurahtaa Juha Sainio.

Esimerkkejä muista ohjelmassa tehdyistä projekteista
  • Potentiaalisten uusien asiakkuuksien identifioiminen yritysten tunnuslukuanalyysillä
  • Asiakaspalvelun vastaanottamien tukipyyntöviestien analyysi, priorisointi ja kategorisointi
  • Digitaalisen markkinoinnin hinnoittelualgoritmin purkaminen
  • Kaupunkien jätteiden kierrättämisen vertailuanalyysi
  • Urheilu-uutisten tunnistaminen muista tekstianalyysilla, sekä otsikon sentimentin arviointi
  • Ajoneuvovalmistajan maan ja ajoneuvon laadun välisen korrelaation analysointi

Aalto PRO:n koulutuksessa käytetty Python-ohjelmointikieli on monikäyttöinen koodikieli, jota sovelletaan mm. koneoppimisessa, johon tekoäly perustuu. Koulutus opettaa osallistujalle Python-ohjelmointikielen perusteet antaen kattavan kuvan sen mahdollisuuksista, käyttökohteista sekä hyödyistä. Kokonaisuus on rakennettu henkilöille, joilla ei ole aiempaa ohjelmoinnin tuntemusta ja sen tarjoamien perusteiden päälle on helppoa opetella lisää kooditaitoja. Lue lisää ohjelmasta.

Luet nyt: Aalto Leaders' Insight: Koodaamisen oppii kokeilemalla ja sopivalla tuella

Tilaa parhaat palat sähköpostiisi

Aalto Leaders' Insight on aikakauslehtimäinen kokoelma artikkeleita, tarinoita ja näkemyksiä johtajuudesta, liiketoiminnasta ja itsensä kehittämisestä. Käsinpoimittu englanninkielinen Highlights -uutiskirje lähetetään tilaajille korkeintaan kaksi kertaa kuukaudessa. Tilaus on helppo perua. Katso esimerkki.

Käytämme tietojasi markkinoinnissa, jotta voimme pitää sinut ajan tasalla viimeisimmistä liike-elämän keskustelunaiheista sekä ohjelmista ja auttaakseemme sinua edistämään uraasi. Tilaamalla uutiskirjeen hyväksyt tämän. Katso tietosuojapolitiikka.