Elektroteknik AV, Maskininlärning på inbyggda system, 3 hp
Observera att litteraturen i kursplanen kan ändras/revideras fram till:
• 1 juni för en kurs som startar på höstterminen
• 15 november för en kurs som startar på vårterminen
• 1 april för en kurs som startar på sommaren
Skriv ut eller spara kursplanen som PDF
Du kan enkelt skriva ut en kursplan direkt från webbsidan. Använd kortkommandot ctrl+p (Windows) eller command+p (Mac). I nästa steg väljer du om du vill skriva ut eller spara kursplanen som PDF.
För en nedlagd kurs kan eventuell information om avvecklingsperiod hittas under rubriken "Övergångsregel" i senaste versionen av kursplanen.
Kursplan för:
Elektroteknik AV, Maskininlärning på inbyggda system, 3 hp
Electrical Engineering MA, Machine Learning on Embedded Systems, 3 credits
Allmänna data om kursen
- Kurskod: ET038A
- Ämne huvudområde: Elektroteknik
- Nivå: Avancerad
- Högskolepoäng: 3
- Fördjupning vs. Examen: A1N - Kursen ligger på avancerad nivå och har endast kurs(er) på grundnivå som förkunskapskrav.
- Utbildningsområde: Teknik 100%
- Ansvarig fakultet: Fakulteten för naturvetenskap, teknik och medier
- Ansvarig institution: Data- och elektroteknik
- Fastställd: 2023-06-08
- Giltig fr.o.m: 2023-08-15
Syfte
Kursens syfte är att studenterna utvecklar en förståelse för de möjligheter och begränsningar maskininlärning på resursbegränsade inbyggda system (t.ex. smarta sensorer och IoT-enheter) ger. Kursen syftar även till att introducera studenter till anpassning och implementering av maskininlärningsmodeller på inbyggda system.
Lärandemål
Efter avslutad kurs ska studenten kunna:
- beskriva nyckelbegrepp och koncept inom maskininlärning på inbyggda system och kunna jämföra förutsättningarna för maskininlärning på inbyggda system med dem i mer kraftfulla datorsystem,
- beskriva användningsområden som lämpar sig för maskininlärning på inbyggda system,
- tillämpa ett urval av metoder och använda enklare verktyg för maskininlärning på inbyggda system.
Innehåll
- Motivering, möjligheter och krav för maskininlärning på inbyggda system.
- Användningsområden för maskininlärning på inbyggda system.
- Skillnader mellan maskininlärning på inbyggda system och maskininlärning på mer traditionella datorsystem.
- Resursbegränsningar i inbyggda system och effekter av datorarkitekturer.
- Anpassning av maskininlärningsmodeller för inbyggda system.
- Verktyg och metoder för maskininlärning på inbyggda system.
Behörighet
Avlagd kandidatexamen eller högskoleingenjörsexamen om minst 180 hp, inkluderande en introducerande kurs i maskininlärning.
Urvalsregler
Urval sker i enlighet med Högskoleförordningen och den lokala antagningsordningen.
Undervisning
Undervisningen sker i form av föreläsningar och seminarier. Undervisningen sker i normalfall på engelska.
Examination
I101: Fallstudie, Inlämningsuppgift, 2 hp
Betygsskala: På kursen ges något av betygen A, B, C, D, E, Fx och F. A - E är Godkänt, Fx och F är underkänt.
Q101: Begrepp och koncept, Test/Quiz, 1 hp
Betygsskala: Underkänd (U) eller Godkänd (G)
Betygskriterier för ämnet finns på www.miun.se/betygskriterier.
Om student har ett besked från samordnaren vid Mittuniversitetet om pedagogiskt stöd vid funktionsnedsättning, har examinatorn rätt att ge anpassad examination för studenten.
Begränsning av examination
Studenter registrerade på denna version av kursplan har rätt att examineras 3 gånger inom loppet av 1 år enligt angivna examinationsformer. Därefter gäller examinationsform enligt senast gällande version av kursplan.
Betygsskala
På kursen ges något av betygen A, B, C, D, E, Fx och F. A - E är Godkänt, Fx och F är underkänt.
Övrig information
Denna kurs kan inte ingå i samma examen som kurs med kod ET024A.
Litteratur
Referenslitteratur
- Författare/red: Gian Marco Iodice
- Titel: TinyML Cookbook
- Förlag: Packt Publishing
- Författare/red: Pete Warden and Daniel Situnayake
- Titel: TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-low Power Microcontrollers
- Förlag: O'Reilly