Maskininlärning för vatteningenjörer
Machine Learning for Water Engineers

VVR080F, 7.5 högskolepoäng

Gäller från och med: Höstterminen 2023
Beslutad av: Gudbjörg Erlingsdottir
Datum för fastställande: 2023-02-16

Allmänna uppgifter

Avdelning: Teknisk vattenresurslära
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Syftet med kursen är att introducera maskininlärningsalgoritmer för vattentillämpningar. Kursen innehåller såväl föreläsningar som laborationer om programmeringsspråket Python för studenter som saknar tillräckliga programmeringskunskaper. Kursen är tvärvetenskaplig och involverar gästföreläsare från olika institutioner, som täcker olika tillämpningar av maskininlärning för att lösa vattenrelaterade problem, t.ex. rumslig och tidsmässig modellering av vattenkvalitet och kvantitet, samt utveckling av system för tidig varning. Kursen innehåller även gruppprojekt där studenterna får möjlighet att arbeta med verkliga vattenrelaterade frågor och få praktisk erfarenhet.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• Kunna brett beskriva utmaningarna och möjligheterna med tillämpning av maskininlärning i vattensammanhang.
• Kunna uttömmande förklara grundläggande kunskaper om maskininlärning, t.ex. övervakad och oövervakad inlärning, träningsklassificering och regressionsalgoritmer.
• Kunna konkret beskriva idéerna bakom de toppmoderna maskininlärningsalgoritmerna
• Kunna förklara hur maskininlärningsbaserade ramverk kan utvecklas för rumslig och tidsmässig modellering av vattenmängd och vattenkvalitet, samt system för tidig varning.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• Kunna självständigt hantera och analysera data med hjälp av programmeringsspråket Python.
• Kunna kreativt och aktivt arbeta som individ och i team för att utveckla maskininlärningsbaserade ramverk och tillämpa dem för att lösa vattenrelaterade problem.
• Kunna vetenskapligt utvärdera och validera prestandan hos maskininlärningsalgoritmer för vattentillämpningar.
• Kunna vetenskapligt och aktivt tolka och diskutera resultaten från maskininlärningsalgoritmer.
• Kunna skriva rapporter och presentera grupparbetet på ett vetenskapligt och tekniskt sätt.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• Kunna utvärdera och ge konstruktiv feedback till de utvecklade maskininlärningsbaserade ramverken av andra grupper i klassen.
• Kunna visa kunskap om maskininlärningens möjligheter och begränsningar för vattentekniska sammanhang
• Aktivt kunna relatera kursinnehållet till sin egen doktorsexamen. projekt eller ett relaterat ämne.

Kursinnehåll

Introduktion och grunden för de senaste maskininlärningsalgoritmerna. Introduktion till programmeringsspråket Python. Datorlaboratoriesessioner för att hjälpa eleverna att få praktisk erfarenhet av Python-programmeringsspråket och tillämpningen av maskininlärningsalgoritmer. Gästföreläsningar om tillämpning av maskininlärning för vattenrelaterade frågor baserade på studentens avhandlingsämnen och tillgängliga gästföreläsare. t.ex. rumslig och tidsmässig modellering av vattenkvalitet och vattenkvantitet, samt utveckling av system för tidig varning. Gruppprojekt om verkliga vattenrelaterade problem. Seminarium och opposition.

Kurslitteratur

Lindholm, A., Wahlström, N., Lindsten, F. & Schön, Thomas B.: Machine Learning, A First Course for Engineers and Scientists. Cambridge University Press, 2022.
Boken "Machine Learning: A first course for engineers and scientists" är lämplig för ingenjörsstudenter. Litteraturen innehåller även tre andra böcker om maskininlärning och Python-programmering samt vetenskapliga artiklar: • Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten och Thomas B. Schön: Machine Learning, A First Course for Engineers and Scientists. Tillgänglig online http://smlbook.org/. • Hastie, T., Tibshirani, R., Friedman, J.H. och Friedman, J.H., 2009. Elementen av statistiskt lärande: datautvinning, slutledning och förutsägelse (Vol. 2, s. 1-758). New York: Springer. • Géron, A., 2022. Praktisk maskininlärning med Scikit-Learn, Keras och TensorFlow. "O'Reilly Media, Inc.". • Downey, A., Wentworth, P., Elkner, J. och Meyers, C., 2016. How to think like a data scientist: learning with python 3. Tillgänglig online https://openbookproject.net/thinkcs/python/ engelska3e/ • Vetenskapliga artiklar kommer också att användas i kursen utifrån studenternas discipliner.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, seminarier, laborationer, övningar, projekt. Inlämningsuppgifter, övningar i laborationer, grupparbeten och seminarier

Kursens examination

Examinationsformer: Skriftlig rapport, inlämningsuppgifter, seminarieföredrag av deltagarna
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förkunskapskrav: Förutsatta förkunskaper: Sökanden måste vara antagen till forskarstudier
Förutsatta förkunskaper: Grundläggande matematik, inklusive sannolikhetsteori och statistik
Urvalskriterier: Begränsat antal deltagare: max 20; kursen kan ställas in om det är färre än 5 anmälda deltagare vid kursstart. Vid fler sökande än gränsen kommer studenter inom vattenresursteknik att prioriteras.

Övrig information

Begränsat antal deltagare: max 20; kursen kan ställas in om det är färre än 5 anmälda deltagare vid kursstart. Vid fler sökande än gränsen kommer studenter inom vattenresursteknik att prioriteras.

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvarig: Amir Naghibi <amir.naghibi@tvrl.lth.se>