Hoppa till huvudinnehållet
Till KTH:s startsida

EP2420 Nätverksanalys 7,5 hp

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. 

Information per kursomgång

Termin

Information för HT 2025 Start 2025-10-27 programstuderande

Studielokalisering

KTH Campus

Varaktighet
2025-10-27 - 2026-01-12
Perioder

HT 2025: P2 (7.5 hp)

Studietakt

50%

Anmälningskod

50461

Undervisningsform

Normal Dagtid

Undervisningsspråk

Engelska

Kurs-PM
Kurs-PM är inte publicerat
Antal platser

Ingen platsbegränsning

Målgrupp
Öppen för alla masterprogram under förutsättning att kursen kan ingå i programmet.
Planerade schemamoduler
[object Object]
Del av program
Ingen information tillagd

Kontakt

Examinator
Ingen information tillagd
Kursansvarig
Ingen information tillagd
Lärare
Ingen information tillagd

Kursplan som PDF

Notera: all information från kursplanen visas i tillgängligt format på denna sida.

Kursplan EP2420 (VT 2019–)
Rubriker med innehåll från kursplan EP2420 (VT 2019–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

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.

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

Kurslitteratur och förberedelser

Särskild 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.

Kurslitteratur

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

Examination och slutförande

Betygsskala

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

Examination

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

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

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.

Övriga krav för slutbetyg

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

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Elektroteknik

Utbildningsnivå

Avancerad nivå

Övrig information

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

Replacing EP2400 Network Algorithms.

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex.