Network Analytics

Innehåll visas utifrån dina val

Om du inte hittar någon sida, schemahändelse eller nyhet på din kurswebb kan det bero på att du inte ser den kursomgången/gruppen inom kursen som innehållet tillhör.

Veta mer om din kurswebb

Din kurswebb är sidorna för en kurs du prenumererar på. Du väljer sedan vilka omgångar/grupper inom kursen du vill ha information från. Är du registrerad på en kursomgång sköts prenumeration och val av kursomgäng automatiskt åt dig. Vill du ändra något av detta gör du det under Mina inställningar.

När du är inloggad på din kurswebb ser du:
  • Kursöversikt, nyheter och schema med information som är filtrerat utifrån dina valda omgångar/grupper inom kursen
  • Allmänna sidor för hela kursen
  • Kurswikin som är sidor som alla, lärare och studenter, kan skapa och redigera
  • Sidor som hör till de omgångar/grupper inom kursen du valt eller som valts för dig

Log in to your course web

You are not logged in KTH, so we cannot customize the content.

              picture                

This project course introduces students to data-driven engineering of networks and cloud systems. Using methods from statistical learning, students will develop and evaluate, for instance, models for prediction and forecasting of Key Performance Indicators (KPIs) and for anomaly detection. The models will be fitted and evaluated using testbed measurements or traces from operational systems. The functions built from these models are designed for real-time execution.

To develop the models, tools and packages from data science will be used, e.g., Jupyter notebook, scikit-learn, TensorFlow.

The course is structured as two consecutive project blocks. Each block starts with introductory lectures that give background and discuss concepts for the specific project, followed by project execution, writing of a short report, and interview.

Requirements for passing the course are that the student successfully completes both course projects and passes an assessment interview.

Course goals

After passing this course, participants should be able to:

- perform the modeling of a network analytics task

- pre-process data and create predictive models using machine-learning techniques and tools

- assess, interpret and possibly apply the results

- produce a written report describing and explaining the project results

Prerequisites:

Basic knowledge in statistics, machine learning, networking, and computing systems. The projects require programming in Python.

Search terms:

Machine learning, statistical learning, project course, networking, cloud computing, programming

Literature:

Course documentation and background literature will be available through the course web site.

Teachers

No activity in the past month. Go to News feed to see older activity

Feedback News