TSKS38 · 6 hp · Avancerad nivå (A1N) · Elektroteknik
Distribuerad informationsbehandling och maskininlärning
Ges · nästa start HT 2026
47 %
klarade senaste ordinarie tentan
TEN1 · 15 jan 2026 · 17 studenter
47 %
klarade ordinarie tentorna, alla tillfällen de senaste 5 åren
TEN1 · 17 studenter
Ingår i 5 program
Tentamen
TEN1 Skriftlig tentamen
- 5
- 4
- 3
- U
Ordinarie tentor
47 % godkända · 17 studenter
- 47 %17
Omtentor
80 % godkända · 5 studenter
- 80 %5
- Klarar omtentan: 80 % (5 studenter), jämfört med 47 % (17 studenter) på ordinarie
- Får 4 eller 5: 32 % (22 studenter)
Visa små tillfällen (1)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 50 %2
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
LAB1 Laborationskurs
- G
Ordinarie tillfällen
100 % godkända · 13 studenter
- 100 %13
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Visa små tillfällen (2)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
- 100 %3
Om kursen
Mål
Efter fullföljd kurs förväntas studenten kunna:
- Förklara och sammanfatta teoretiska metoder, utföra matematiska härledningar, samt analysera specifika tekniska koncept relaterade till distribuerad konsensus, optimering, och maskininlärning över nätverk.
- Implementera och utföra laborativa uppgifter med välkända programspråk, samt verifiera och reflektera över de teoretiska resultaten relaterade till konsensusbildning och kollaborativ maskininlärning genom simuleringsexempel.
- Presentera och rapportera laborativa uppgifter på ett strukturerat och uttänkt sätt.
Innehåll
- Grundläggande kunskap om kommunikationsnätverk, grafer, topologi samt spektral grafteori.
- Exempel på signal- och informationsbehandling i nätverk. Applikationer inom distribuerad styrning, inferens, och maskininlärning.
- Informationsspridning och sammanställning över nätverk. Distribuerad konsensus i tidsinvarianta samt tidsvarianta nätverk.
- Optimeringsmetoder för maskininlärning. Gradientnedstigning, stokastisk gradientnedstigning, samt distribuerad och decentraliserad gradientnedstigning.
- Centraliserad och decentraliserad kollaborativ maskininlärning.
- Federerad inlärning. Kommunikationseffektivitet, samt dataheterogenitet och -integritet.
- Decentraliserad inlärning. Avvägningar mellan kommunikation och beräkning.
- Hållbar AI: etiska aspekter av AI, energi- och beräkningseffektivitet optimerad ML, etc.
- Examinator
- Zheng Chen
- Schemalagd tid
- 52 h
- Huvudområde
- Elektroteknik