Maskininlärning för smarta städer, 6 hp

Machine Learning for Smart Cities, 6 credits

TNK129

Huvudområde

Datateknik Elektroteknik

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Marian Codreanu

Studierektor eller motsvarande

Erik Bergfeldt

Undervisningstid

Preliminär schemalagd tid: 0 h
Rekommenderad självstudietid: 160 h
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Period Block Språk Ort/Campus VOF
6CKTS Civilingenjör i kommunikation, transport och samhälle 9 (HT 2026) 1 3 Engelska Norrköping V
6CKTS Civilingenjör i kommunikation, transport och samhälle (Masterprofil Smarta städer) 9 (HT 2026) 1 3 Engelska Norrköping O
6MTSL Intelligent Transport Systems and Logistics, masterprogram 3 (HT 2026) 1 3 Engelska Norrköping V

Huvudområde

Datateknik, Elektroteknik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Kursen ges för

  • Civilingenjörsprogram i kommunikation, transport och samhälle
  • Masterprogram i intelligenta transportsystem och logistik

Rekommenderade förkunskaper

Grundläggande kunskaper i linjär algebra, kalkyl, statistik och sannolikhetsteori samt datorprogrammering. 

Lärandemål

Kursen ska ge kunskap om hur du använder avancerade modeller och djupinlärningsarkitekturer för att lära dig av data för att få insikter för att kunna ta beslut om tillämpningar inom smarta städer.

Den studerande ska efter genomgången kurs kunna:

  • Förklara antaganden och teorier bakom olika metoder av maskininlärning 
  • Förklara och motivera skillnader i egenskaper mellan olika typer av metoder och ge exempel på när de bör tillämpas
  • Utvärdera och välj bland olika metoder för en specifik probleminstans och datamängder
  • Använd befintliga datamängder för att träna och utvärdera olika maskininlärningsmodeller
  • Använd utvalda maskininlärningsmodeller för förutsägelse, slutledning och beslutsfattande för tillämpningar inom smarta städer

Kursinnehåll

Kursen ska ge kunskap inom maskininlärning. Kursen kommer att behandla både konventionella maskininlärningsmetoder samt djupinlärning. Kursens innehåll inkluderar statistisk slutledning, bias-variance tradeoff, Bayesiansk inlärning, Gaussiska processer, stödvektormaskiner, kernels/kärnor, neurala nätverk, deep learning och förstärkningsinlärning

Undervisnings- och arbetsformer

Föreläsningar, lektioner och laborationer.

Examination

UPG1Individuella inlämningsuppgifter2 hpU, 3, 4, 5
PRA1Projektarbete2 hpU, G
LAB1Laborationer2 hpU, G

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Om undervisnings- och examinationsspråk

Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:

  • Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
  • Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
  • Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.

Övrigt

Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt. 

Kursen är campusförlagd på den ort som anges för kurstillfället om inget annat anges under ”Undervisnings – och arbetsformer”. I en campusförlagd kurs kan dock enstaka moment på distans ingå.

Institution

Institutionen för teknik och naturvetenskap

Kurslitteratur

Ordinarie litteratur

Böcker

  • Bishop, Christopher M., (2006) Pattern recognition and machine learning. New York, NY : Springer, cop. 2006
    ISBN: 0387310738, 9780387310732
  • Lindholm, Andreas, Verfasser, Wahlström, Niklas, Sonstige, Lindsten, Fredrik, Sonstige, Schön, Thomas B., Sonstige, (2022) Machine learning : a first course for engineers and scientists
    ISBN: 9781108843607, 1108843603

Webbsidor

Kompletterande litteratur

Böcker

  • Hastie, Trevor, Tibshirani, Robert, Friedman, Jerome, (2009) The elements of statistical learning : data mining, inference, and prediction. 2. ed New York : Springer, 2009
    ISBN: 9780387848570
  • James, Gareth, Witten, Daniela, Hastie, Trevor, Tibshirani, Robert, (2021) An introduction to statistical learning : with applications in R. Second edition. New York : Springer, [2021]
    ISBN: 9781071614174, 1071614177, 1431875X, 1431875X
Kod Benämning Omfattning Betygsskala
UPG1 Individuella inlämningsuppgifter 2 hp U, 3, 4, 5
PRA1 Projektarbete 2 hp U, G
LAB1 Laborationer 2 hp U, G

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Ordinarie litteratur

Böcker

Bishop, Christopher M., (2006) Pattern recognition and machine learning. New York, NY : Springer, cop. 2006

ISBN: 0387310738, 9780387310732

Lindholm, Andreas, Verfasser, Wahlström, Niklas, Sonstige, Lindsten, Fredrik, Sonstige, Schön, Thomas B., Sonstige, (2022) Machine learning : a first course for engineers and scientists

ISBN: 9781108843607, 1108843603

Webbsidor

Lecture notes from Stanford course CS229 http://cs229.stanford.edu/syllabus-spring2021.html

Kompletterande litteratur

Böcker

Hastie, Trevor, Tibshirani, Robert, Friedman, Jerome, (2009) The elements of statistical learning : data mining, inference, and prediction. 2. ed New York : Springer, 2009

ISBN: 9780387848570

James, Gareth, Witten, Daniela, Hastie, Trevor, Tibshirani, Robert, (2021) An introduction to statistical learning : with applications in R. Second edition. New York : Springer, [2021]

ISBN: 9781071614174, 1071614177, 1431875X, 1431875X

I = Introducera, U = Undervisa, A = Använda
I U A Moduler Kommentar
1. ÄMNESKUNSKAPER
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen

                            
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen

                            
1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.5 Insikt i aktuellt forsknings- och utvecklingsarbete

                            
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
2.1 Analytiskt tänkande och problemlösning

                            
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning

                            
2.3 Systemtänkande

                            
2.4 Förhållningssätt, tänkande och lärande

                            
2.5 Etik, likabehandling och ansvarstagande

                            
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
3.1 Arbete i grupp

                            
3.2 Kommunikation

                            
3.3 Kommunikation på främmande språk

                            
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling

                            
4.2 Företags- och affärsmässiga villkor

                            
4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system

                            
4.4 Att konstruera produkter och system

                            
4.5 Att realisera produkter och system

                            
4.6 Att ta i drift och använda produkter och system

                            
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling för kunskapsutveckling

                            
5.2 Ekonomiska villkor för kunskapsutveckling

                            
5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt

                            
5.4 Att genomföra forsknings- eller utvecklingsprojekt

                            
5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt

                            

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.