Elektroteknik – Databaserad analys

Kurskod E903101
Studiepoäng 4
Lärandemål

Studerande behärskar numeriska verktyg för praktisk analys och visualisering av data, inkluderande grundläggande statistiska begrepp och frekvensanalys. Vidare behärskar studerande grunderna i maskininlärning med fokus på övervakad inlärning för regressionsmodeller och klassificeringsmodeller både gällande implementeringen av algoritmerna och utvärderingen av metoderna i MATLAB och/eller Octave.

Students are comfortable with numerical tools for practical analysis and visualization of data. This includes basic statistical concepts and frequency analysis. Furthermore students are comfortable with basic machine learning with a focus on supervised learning for regression and classification, the implementation of the algorithms and an evaluation of the methods in MATLAB and Octave.

Innehåll

Praktisk analys och visualisering av mätdata.
Medelvärde, standardavvikelse, fördelningsfunktioner, multivariabla och korrelerade observationer, normalisering av data.
Frekvensanalys, diskret Fourier-transform, periodiska funktioner, artefakter vid icke-periodiska sekvenser, fönsterfunktioner. Stokastiska signaler, auto- och korskorrelationer.
Övervakad inlärning:
– Linjär regression med en och flera variabler
– Numerisk optimering med gradient descent
– Olinjära transformationer, överanpassning och regularisering
– Olinjära modeller med artificiella neurala nätverk
– Logistisk regression och klassificering för två och flera klasser
– Artificiella neurala nätverk tillämpat på klassificering
Oövervakad inlärning och k-medelvärdeskluster (k-means cluster) algoritmen

Practical analysis and visualization of data.
Mena values, standard deviation, probability density functions, multivariate and correlated observations, normalization of data.
Frequency analysis, discrete Fourier transform, periodic functions, artifacts with non-periodic sequences, window functions. Stochastic signals, auto- and cross-correlation functions.
Supervised learning:
– Linear regression with one and more variables
– Numerical optimization with gradient descent
– Nonlinear transformations, over-fitting and regularization
– Nonlinear models using artificial neural networks
– Logistic regression and classification for two and more classes
– Artificial neural networks for classification
Unsupervised learning and the k-means cluster algorithm

Vitsordsskala

VG, G (för betygssättning)

Ämnesområde

Elektroteknik

Utbildningsprogram

Utbildningsprogrammet för elektroteknik

Examination

Övningar och tentamen/projektuppgift.

Assignments and exam/project assignment

Kurslitteratur och studiematerial

Eget material tillgängligt via kursens hemsida.
Manualer och resurser på internet.

Lecture notes available through the homepage of the course.
Manuals and other online resources.

Förkunskaper

E903201 Introduktion till Matlab/Octave

Arbetsformer

Föreläsningar varvade med interaktiva demonstrationer, exempel, laborationer och projektuppgifter.

Lectures with interactive demonstrations, examples and assignments.

Utskriven 28 mars 2024 kl 11:47