förklara prestandamått och algoritmer för maskininlärning för resursbegränsade enheter,
identifiera och analysera möjligheter och avvägningar för maskininlärning för resursbegränsade för enheter inom sakernas internet (IoT),
föreslå och kritiskt analysera lösningsdesign för typisk maskininlärning inom IoT,
designa och implementera maskininlärningslösningar för resursbegränsade IoT-enheter och nätverk i laborationer.
Kursinnehåll
Introduktion till resurseffektiva maskininlärningsalgoritmer, hårdvara och arkitekturer. Tillvägagångssätt för maskininlärning på resursbegränsade enheter, inklusive kvantisering och beskärning. Distribuerad maskininlärning för IoT-enheter och nätverk genom edge-lärande, distribuerat och federerat lärande. Maskininlärning och datahantering för att bearbeta applikationsdata från IoT-nätverk. Optimering av IoT-nätverk på olika protokollager. Maskininlärning för säkerhet och integritet. Implementering och utvärdering av maskininlärningsalgoritmer för IoT (laborationer).
Förutsättningar
120 hp varav 90 hp inom teknik/naturvetenskap inklusive 5 hp programmering med Python eller C. Genomgången Datakommunikation eller Internet of Things/Sakernas internet eller Distribuerade informationssystem eller Digital kommunikation. Genomgången Sannolikhet och statistik eller Statistik för ingenjörer. Genomgången Naturliga beräkningsmetoder för maskininlärning eller Statistisk maskininlärning eller Artificiell Intelligens för Industriell Analys. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)