Hoppa till huvudinnehållet
Till KTH:s startsida

MJ2507 Tillämpad AI för hållbar energiteknik 6,0 hp

Kursen syftar till att ge studenterna kunskap om centrala koncept inom artificiell intelligens (AI), och deras tillämpningar inom energiteknik. Kursen har maskininlärning for energitillämpningar i fokus och studenterna kommer ges en inblick i grundläggande teori och algoritmer som förekommer i modeller for maskininlärning, samt hur metod och data väljs vid olika situationer. Dessutom introduceras betydelse och följder Al kan komma att ha för energibranschen, samt etiska aspekter kring användande av Al. Studenterna kommer Iära sig att hantera data i syfte att användas för maskininlärning, samt att skapa, integrera och använda maskininlärning för analys och design i energisammanhang. Vid kursens slut förväntas studenterna kunna, baserat pa kursinnehållet, beskriva fördelar och begränsningar for Al ­tillämpningar inom energiområdet och dessutom kunna diskutera trender och potentiella risker knutna till ämnet.

Information per kursomgång

Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.

Termin

Kursplan som PDF

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

Kursplan MJ2507 (HT 2024–)
Rubriker med innehåll från kursplan MJ2507 (HT 2024–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

Kursen syftar till att ge studenterna kunskap om centrala koncept inom artificiell intelligens (AI), och deras tillämpningar inom energiteknik. Kursen har maskininlärning för energitillämpningar i fokus och studenterna kommer ges en inblick i grundläggande teori och algoritmer som förekommer i modeller för maskininlärning, samt hur metod och data väljs vid olika situationer. Dessutom introduceras betydelse och följder AI kan komma att ha för energibranschen, samt etiska aspekter kring användande av AI. Studenterna kommer lära sig att hantera data i syfte att användas för maskininlärning, samt att skapa, integrera och använda maskininlärning för analys och design i energisammanhang. Vid kursens slut förväntas studenterna kunna, baserat på kursinnehållet, beskriva fördelar och begränsningar för AI-tillämpningar inom energiområdet och dessutom kunna diskutera trender och potentiella risker knutna till ämnet.

.

Lärandemål

Kursen syftar till att ge studenterna tillräcklig kunskap om bakgrund, teori och verktyg relaterade till AI för att självständigt kunna använda maskininlärning för tillämpningar inom hållbar energiteknik.

Efter godkänd kurs ska studenterna kunna:

  1. Beskriva och förklara bakgrund och användningsområden för AI med fokus på maskininlärning, inklusive huvudsakliga egenskaper hos vanligt förekommande tekniker.
  2. Beskriva och förklara metoden för utveckling av en maskininlärningsmodell, inklusive val av teknik, behandling av data, design och modellutvärdering och förbättring av modellen.
  3. Skapa en fungerande maskininlärningsmodell med syfte att optimera design eller drift I ett case relaterat till energiteknik, inklusive utvärdering av modellens prestanda enligt de vanliga stegen och jämförelse mellan resultatet av AI-modellen och ett konventionellt angreppssätt.
  4. Identifiera existerande trender för AI i energisektorn samt för företag och följder av AI för verksamheter i energibranschen.
  5. Beskriva fördelar, begränsningar och risker knutna till AI och dess roll i samhället, samt mer specifikt ur ett energiperspektiv.

Kurslitteratur och förberedelser

Särskild behörighet

Kunskaper i förnybar energi motsvarande kurs MJ2411 ”Förnybar energi” 6hp.

Rekommenderade förkunskaper

Kunskaper i Matlab eller Pyhton.

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

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

Betygsskala

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

Examination

  • INL1 - Hemuppgift, 1,5 hp, betygsskala: P, F
  • KON1 - Quiz, 1,5 hp, betygsskala: A, B, C, D, E, FX, F
  • PRO1 - Projekt, 3,0 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.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

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

Maskinteknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

fargo@kth.se , Unite! students please contact csen@kth.se