EP2420 Nätverksanalys 7,5 hp

Network Analytics

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. 

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Elektroteknik
  • Betygsskala

    A, B, C, D, E, FX, F

Kurstillfällen/kursomgångar

HT19 för programstuderande

HT18 för programstuderande INSTÄLLD

Lärandemål

Studenterna ska kunna följande efter avslutad kurs.

- modellera en uppgift för nätanalys

- förprocessera data och skapa modeller för prediktion baserade på maskininlärningstekniker och -verktyg 

- utvärdera, tolka samt tillämpa resultaten, när möjligt 

- skriva rapport som beskriver och förklarar projektresultaten 

Kursens huvudsakliga innehåll

Det här är en projektkurs där studenterna utför analysprojekt enskilt eller i mindre grupp. Projekten använder data från verkliga system, exempelvis driftdata från nätverk eller datormoln. 

Kursen innefattar:

- inledande lektioner om de utvalda maskininlärningstekniker som används i projekten

- introduktion till verktygen som ska användas

- projekt utförda av studenterna med stöd av meddelandetavlor och projektmöten

- föreberedelse inför studenternas projektrapporter

Projektuppgifterna kan komma att ändras från år till år.

Behörighet

För fristående kursstuderande: 120hp samt engelska B eller motsvarande

Rekommenderade förkunskaper

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

Litteratur

Kapitlar från läroböcker, onlinematerial och forskningshandlingar relaterade till det specifika projektet kommer att väljs ut och göras tillgängliga för studenterna.

Utrustningskrav

Studenter antas ha tillgång till datorer.

Examination

  • PRO1 - Projektuppgift, 7,5, betygsskala: A, B, C, D, E, FX, F

Betygsättningen baseras på projektrapporten och projektintervjuen.

Rapporten och intervjun kommer att ha lika stor vikt för betyget.

I projektrapporten utvärderas projektresultatet med avseende på korrekthet och fullständighet, och presentationen utvärderas med avseende på struktur och läsbarhet.

I intervjun ska eleverna utvärderas för att de ska förstå projektets mål, tillvägagångssätt och resultat.

Grad A betyder att studenten har genomfört det fullständiga projektet, har erhållit korrekta resultat och har gjort en läsbar och kortfattad rapport. Vidare har studenten svarat bra på alla intervjufrågor.

För att klara kursen har studenten genomfört det fullständiga projektet, erhållit korrekta resultat för viktiga projektdelar, har producerat en läsbar rapport och har korrekt svarat på de flesta intervjufrågor.

Krav för slutbetyg

För att bli godkänd på kursen krävs det att studenten avklarat båda projekten inom kursen och en projektintervjue med godkänt resultat.

Ges av

EECS/Datavetenskap

Examinator

Rolf Stadler <stadler@kth.se>

Övrig information

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

Replacing EP2400 Network Algorithms

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.