Baserat på kursplanen och den första lektionssammanfattningen. Innehållet fylls på under kursens gång.
Förstå din data.
Upptäck sambanden.
Följ IoT-data från insamling till analys och maskininlärning. Prova med AI4I, granska resultaten och bygg en egen projektberättelse.
Det här ska vi kunna göra.
Planera en IoT-analys, behandla och visualisera data, prova maskininlärning och förklara vad resultatet kan användas till.
10 yrkeshögskolepoäng · Kunskapskontroll: presentation · IG/G/VG
De tre lektionerna i sammanfattningen
Detta är den första lektionsöversikten, inte ett komplett schema för hela kursen.
Från IoT-signal till Big Data-pipeline
Begrepp, batch och ström, insamling, lagring, datakvalitet och en första Pythonorientering. Bekanta dig med AI4I och formulera en analysfråga.
Underlag till projektet: Dataset och dokumentation, problemformulering och första skissen av dataflödet.
Behandla, analysera och visualisera sensordata
Filtrera, gruppera och beräkna nya variabler. Välj diagram efter frågan och resonera om partitionering, parallellisering, verktyg och resursbehov.
Underlag till projektet: Individuell analysplan, prioriterade nästa steg och en första visualisering.
Machine Learning för IoT och kritisk granskning
Genomför ett enkelt ML-flöde, jämför med en baslinje och granska dataläckage, obalans, praktisk nytta och källor. Projektarbete med läraravstämning.
Underlag till projektet: ML-resultat med utvärdering, ett motiverat användningsbeslut och granskning av svensk och engelsk information.
Lärandemål och stöd på Kopplat
Här är målen sammanfattade. De fullständiga formuleringarna finns i kursplanen (PDF).
- KUN33
Förklara begrepp, metoder, verktyg, ekosystem, trender, möjligheter och utmaningar inom Big Data och ML för IoT.
- F34
Planera och utföra behandling, analys och visualisering, identifiera resurser och tillämpa ML på ett Big Data-problem.
- F35
Använda, kommunicera och kritiskt granska relevant information på svenska och engelska.
- KOM21
Ta ansvar för självständigt, översiktligt arbete med Big Data, ML och IoT och identifiera fortsatt lärande.
- KOM22
Ta ansvar, värdera metodval, arbeta självständigt och samarbeta i Big Data-projekt.
Presentation och bedömning
Kursplanen anger presentation som kunskapskontroll och betygsskalan IG/G/VG. Godkänt kräver att alla läranderesultat nås. För VG betonas djupgående förståelse, självständig tillämpning och förklaring samt kritisk värdering av teknikernas för- och nackdelar i praktiska IoT-projekt.
Sammanfattningen beskriver en individuell projektstart. Datum för presentationen, längd och detaljerade inlämningskrav framgår inte av underlagen. Kopplats övningar och quiz är studiestöd; lärarens kommande anvisningar styr redovisningen.
Förbered ditt projekt och din presentation →Vad vill du förstå idag?
Följ kursen i ordning, eller ta ett språng till det som väcker din nyfikenhet.
Vad är Big Data?
Förstå vad som gör data svåra att hantera och varför frågan du vill besvara kommer först.
Från datakälla till insamling
Utforska hur sensorer, loggar och API:er blir ett dataflöde som går att använda.
Hur lagras data?
Bekanta dig med dataformat, databaser, datalager och datasjöar genom ett litet sensorarkiv.
Från rådata till insikt
Följ en liten temperaturtabell genom rensning, omvandling och sammanställning.
Kan vi lita på resultatet?
Upptäck luckor, dubbletter och snedvridningar innan ett diagram blir ett beslut.
Python, analys & visualisering
Kom igång från C/C++, undersök AI4I och beräkna effekt och temperaturskillnad med tydliga enheter.
Maskininlärning för IoT
Träna en enkel klassificerare, undvik dataläckage och bedöm precision, recall och praktisk nytta.
Projekt, källkritik & presentation
Planera ett eget IoT-projekt, granska svenska och engelska källor och bygg en tydlig presentation.