Â鶹´«Ã½

Kun opiskelija Eeli Susan ymmärsi, että signaaleja löytyy kaikkialta, signaalinkäsittelyn maisteriohjelma oli hänelle itsestäänselvä valinta. Monipuolinen kurssivalikoima on hänen mielestään yksi ohjelman vahvuuksista.

Miksi valitsit Signal Processing and Data Science -pääaineen?

Signal Processing and Data Science oli hyvin luonnollinen jatko kandidaatintutkinnolleni informaatioteknologiasta. Kun ymmärsin, että melkein mitä tahansa voidaan pitää signaalina (esim. kuvia, tallenteita, jopa molekyylejä), pääaineesta tuli minulle itsestäänselvä valinta. Tuntui kiehtovalta oppia taitoja, joilla voi ratkaista monia käytännön ongelmia itse ajavista autoista magneettikuviin. 

Olen nyt suorittanut kaikki kurssit ja tuntuu, että tämä pääaine oli täydellinen sekoitus teoreettisia ja käytännön kursseja monipuolisesti erilaisista aiheista. Aiheita, joita itse valitsin, olivat esimerkiksi tietokonenäkö, puheentunnistus, lääketieteellinen kuvantaminen ja syväoppiminen. Laaja kurssivalikoima mahdollistaa opintojen räätälöinnin oman kiinnostuksen mukaan. Minun olisi ollut mahdollista ottaa runsaasti lisää kursseja esimerkiksi tietoliikenneviestinnästä, tietokoneverkoista tai ohjelmoinnista. Kurssivalikoima oli myös yksi syy siihen, miksi oli helppo valita juuri tämä maisteriohjelma. Minun ei tarvinnut olla heti varma, mihin alaan keskittyisin.

Mikä on ollut parasta opinnoissasi?

Kuten aiemmin mainitsin, nautin suunnattomasti ohjelman tarjoamasta laajasta aihevalikoimasta sekä käytännön tekemisestä. Esimerkiksi puheentunnistuksessa opittua teoriaa voisin soveltaa myös tietokonenäössä. Eri alojen välisten yhteyksien löytäminen antoi opinnoilleni paljon yhtenäisyyttä ja itseluottamusta käsitellä kaikenlaisia signaaleja.

Mikä on ollut mielenkiintoisin kurssi?

Tuntuu vaikealta valita vain yhtä mielenkiintoisinta kurssia. AI in health technologies D -kurssi tarjosi laajan yleiskatsauksen erilaisista tekoälysovelluksista lääketieteen alalla. Kurssi sisälsi projektin, jonka aiheina olivat muun muassa ihosyövän luokittelu kuvista ja sydänkohtauksen havaitseminen EKG:stä. Teoriapainotteisten kurssien, kuten Deep Learning D -kurssin suorittaminen antoi paljon työkaluja myöhemmille käytännön projektitöille. Päädyin luomaan synteettisiä EKG-signaaleja, joita voitaisiin teoriassa käyttää parantamaan sydämenpysähdyksen havaitsemista. Kokemus koko projektinhallinnasta tiedonkeruusta sopivien mallien ja menetelmien löytämiseen on korvaamaton kokemus urani kannalta.

Miltä alan tulevaisuus näyttää?

Pääaine avaa erinomaisia työmahdollisuuksia. Vahva teoreettinen tausta ja laaja kokemus käytännön kursseista ovat juuri sellainen kokonaisuus, jota monet yritykset etsivät. Kurssiprojektit kursseilla kuten AI in health technologies D, Speech Recognition D sekä Signal Processing for Communications ovat kaikki olleet erinomaisia oppitunteja siitä, miten teoria toteutetaan käytännössä. Näillä kursseilla oppii, että oikean maailman ongelmat ovat paljon teoriaa haasteellisempia.