• Mikä on tekoäly? Tekoälyn peruskäsitteet ja historia.
• Tekoälyn soveltaminen liiketoiminnassa: Miten tekoäly voi muuttaa eri liiketoimintaprosesseja ja luoda arvoa. 
• Tekoälyn tekijänoikeudet: Tekoälyn luomien teosten oikeudelliset näkökohdat.
• Eettiset näkökohdat: Keskustellaan tekoälyn käyttöönliittyvistä eettisistä kysymyksistä ja niiden vaikutuksesta yhteiskuntaan. 

• Todennäköisyyden ja tilastotieteen peruskäsitteet: Perusta koneoppimisen ymmärtämiselle. 
• Ohjattu oppiminen, regressio:  Jatkuvien arvojen ennustaminen 
• Ohjattu oppiminen, luokittelu: Luokkaetikettien ennustaminen.
• Valvomaton oppiminen: Tutkitaan ryhmittelyä ja piirteiden poimintaa ilman etukäteen määriteltyjä etikettejä. 

• Neuroverkot ja syväoppiminen: Syventyminen monikerroksisiin neuroverkkoihin.
• Konvoluutiohermoverkot (CNN): Erityisesti kuvantunnistukseen liittyvät neuroverkkorakenteet. 
• Toistuvat neuroverkot (RNN): Aikasarjojen ja sekvenssien, kuten kielen, käsittely.
• Luonnollisen kielen käsittely (NLP): Kielen ymmärtäminen ja tuottaminen koneoppimisen avulla. 

• Tutustutaan Transformer-arkkitehtuurin perusteisiin. 
• Muuntajat ja huomiomekanismit: Syvällisempi katsaus suurten kielimallien toimivuuteen.

• Nopea suunnittelu: Käytännön projekteja käyttäen OpenAI:n rajapintoja. 
• Työskentely ennalta koulutettujen mallien kanssa: Valmiiden mallien hyödyntäminen ja integroiminen.  
• Mallien hienosäätö: Suurien kielimallien mukauttamien erityistarpeisiin. 
• LLM-työkalut ja -kehykset: Tutustutaan työkaluihin ja kehyksiin, jotka tukevat suurten kielimallien käyttöä. 

• Diffuusiomallit: Generatiivisten mallien uusi luokka, jota käytetään kuvien tuottamiseen. 
• Stabiili Diffuusio: Yksi diffuusiomallien sovelluksista, joka mahdollistaa korkealaatuisten kuvien luomisen. 
• Runway.ml: Alusta, joka tekee tekoälyn saavutuksista saavutettavampia luoville ammattilaisille. 

• AI-palvelun rakentaminen: Luodaan AI-pohjainen sovellus tai palvelu soveltaen opittua tietoa.
• Lyhyen videon käsikirjoitus ja toteutus: Tavoitteena on yhdistää oppiminen luovaan projektityöhön, jossa AI-kuvankäsittelyä ja videotuotantoa käytetään lyhyen videon luomiseen. 

Pythonin perusteet AI:ssa ja ML:ssä

• Johdanto Pythoniin: Perusteet, syntaksi, ja perusrakenteet.
• Ympäristön Setup: Python-ympäristön pystyttäminen ja konfigurointi AI- ja ML-kehitystä varten.
• Peruskirjastot: Tutustuminen NumPy, Pandas, ja Matplotlib -kirjastoihin.
• Harjoitukset: Perusharjoituksia datan käsittelyyn ja visualisointiin.

Datan käsittely ja analyysi

• Datan esikäsittely: Datan puhdistaminen, normalisointi ja esikäsittely.
• Pandas syvällisemmin: Edistyneet datan manipulointi- ja analysointitekniikat.
• Visualisointi: Datan visualisoinnin perusteet.
• Harjoitukset: Todellisten datasettien käsittely ja analysointi.

Koneoppimisen perusteet Pythonissa

• Scikit-learn: Tutustuminen koneoppimisen perusmalleihin ja -tekniikoihin.
• Valvottu ja valvomaton oppiminen: Perusteet ja erot.
• Mallien koulutus ja arviointi: Mallien kouluttaminen, ylikoulutuksen välttäminen ja suorituskyvyn arviointi.
• Harjoitukset: Eri mallien rakentaminen ja testaaminen Scikit-learnin avulla.

Syväoppiminen ja neuroverkot

• TensorFlow ja PyTorch: Johdanto syväoppimiseen ja neuroverkkojen perusteet.
• Neuroverkon rakentaminen: Kerrokset, aktivaatiofunktiot ja virheen minimointi.
• Koulutus ja virittäminen: Neuroverkkojen koulutus ja hyperparametrien virittäminen.
• Harjoitukset: Perus neuroverkkojen rakentaminen ja koulutus.