2026-10-13 Från IoT-signal till Big Data-pipeline Mål: Förstå vad Big Data betyder i ett IoT-sammanhang och kunna beskriva hur sensordata samlas in, transporteras, lagras och kvalitetssäkras. - Kursstart, examination och det gemensamma IoT-fallet - Big Data: volym, hastighet, variation, datakvalitet och värde - Batch kontra strömmande data - Översikt: MQTT/gateway, broker, lagring, bearbetning, analys och dashboard - Lagringsval: fil/objektlagring, relationsdatabas, tidsseriedatabas och data lake - Datakvalitet: saknade värden, dubbletter, orimliga mätvärden, tidsstämplar och enheter - Kort Pythonintroduktion för C/C++-vana: notebook, variabler, listor/dictionaries, funktioner och bibliotek - Praktik: hämta AI4I från UCI, läs dokumentationen och inspektera filen med en färdig Pythonmall - Exit ticket: formulera en individuell analysfråga och identifiera relevanta kolumner och begränsningar Underlag till projektet: Val av dataset, datakällans dokumentation, problemformulering och första skiss av analysflödet. Kursplanskontroll: KUN33 (begrepp, insamling, behandling, verktyg och ekosystem), F34 (planering och resursbehov), KOM21 (överblick och fortsatt lärande). 2026-10-15 Behandla, analysera och visualisera sensordata Mål: Kunna utföra en enkel analys av IoT-data och välja en visualisering som svarar på en tydlig fråga. - Repetition från sensor till lagring - Vad som gör bearbetning skalbar: partitionering, parallellisering och distribuerad behandling - Verktygskarta med exempel: Pandas/Polars, SQL, Spark och strömbearbetning – när de passar och när de inte gör det - Grundläggande analys: filtrering, gruppering, aggregat och enkel feature engineering - Visualisering av fördelningar, samband, avvikelser och klassobalans - Praktik i Pythonmall: analysera AI4I, beräkna effekt och temperaturskillnad samt skapa diagram - Skalningsdiskussion: vad måste ändras om filen blir 1 000 gånger större eller datan aldrig tar slut? - Individuell projektstart: välj dataset och planera behandling, analys, visualisering och resurser Underlag till projektet: Individuell analysplan, prioriterade nästa steg och första visualiseringen. Kursplanskontroll: KUN33 (metoder, verktyg och teknologier), F34 (planera och utföra analys, behandling och visualisering), KOM22 (ansvar, självständighet och samarbete). 2026-10-20 Machine Learning för IoT och kritisk granskning Mål: Kunna genomföra ett enkelt ML-flöde på IoT-data och kritiskt värdera när ML är lämpligt. - ML jämfört med regler och traditionell statistik - Relevanta IoT-fall: klassificering, regression, anomalidetektion och prediktivt underhåll - Träningsdata, features, etiketter samt uppdelning i träning och test - Vanliga fallgropar: dataläckage, obalanserad data, överanpassning, drift och fel mätetal - För- och nackdelar: kostnad, energi, latens, integritet, förklarbarhet och edge kontra cloud - Praktik med färdig Pythonpipeline: klassificera maskinfel i AI4I och jämför precision och recall mot en enkel baslinje - Källövning: läs en kort engelskspråkig teknisk källa och granska dess påståenden, begränsningar och relevans för IoT - Projektarbete med läraravstämning: metodval, resultat och kritisk värdering Underlag till projektet: Genomförd ML-tillämpning med baslinje och utvärdering, ett motiverat beslut om praktisk användning samt svensk/engelsk källa. Kursplanskontroll: KUN33 (ML, trender, möjligheter och utmaningar), F34 (applicera ML), F35 (använda, kommunicera och kritiskt granska svensk och engelsk information), KOM21–KOM22 (självständighet, ansvar och samarbete).