Maskininlärning för energiingenjörer
Machine Learning for Energy Engineers

MVKP30, 7.5 högskolepoäng, A (Avancerad nivå)

Gäller för: 2026/27
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning M
Beslutsdatum: 2026-03-26
Ikraftträdande: 2026-05-18

Allmänna uppgifter

Huvudområde: Hållbar energiteknik Fördjupning: Avancerad nivå, kurs/er som inte kan klassificeras
Valfri för: E4-em, I5-hem, M5, MHET2, W5-et
Undervisningsspråk: Kursen ges på engelska

Syfte

Kursen introducerar ingenjörsstudenter till metoder inom maskininlärning (ML) och artificiell intelligens (AI) som är relevanta för energiteknik. Kursen ger en bred översikt av begrepp och tillämpningar, kompletterad med praktiska övningar och projektarbete. Även om avancerade ämnen presenteras ligger tonvikten på konceptuell förståelse och praktisk implementering med moderna verktyg. Studenterna kommer att lära sig att: 

• Förstå ML/AI:s roll inom teknik och energisystem. 
• Tillämpa grundläggande ML-arbetsflöden med Python, Google Colab och bibliotek som scikit-learn och PyTorch. 
• Utforska utvalda ämnen genom handledda övningar och ett grupprojekt. 

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• Beskriva de grundläggande principerna för maskininlärning och dess huvudsakliga kategorier: övervakad, oövervakad och förstärkningsinlärning.
• Förklara syftet med och de övergripande egenskaperna hos vanligt förekommande metoder såsom regression, klassificering, klustring och neurala nätverk.
• Redogöra för avancerade koncept (t.ex. faltningsnätverk, autoencoders och fysikinformerad maskininlärning) samt deras relevans i ingenjörstillämpningar.
• Identifiera grundläggande aspekter kopplade till dataintegritet och etiska överväganden vid tillämpning av maskininlärning.

Färdighet och förmåga
För godkänd kurs skall studenten

• Implementera arbetsflöden för maskininlärning med hjälp av givna exempel i Python och anpassa dem för specificerade uppgifter.
• Genomföra centrala moment inom dataförberedelse, modellträning och utvärdering med hjälp av standardbibliotek.
• Genomföra två strukturerade inlämningsuppgifter som omfattar programmeringsmoment baserade på kursens exempel.
• Samarbeta i grupp för att genomföra ett projekt, ta fram en skriftlig rapport och presentera resultaten muntligt.
• Genomföra en konstruktiv kamratgranskning av en annan grupps projektrapport.

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

• Bedöma tillämpbarheten hos maskininlärningsmetoder för ingenjörsproblem.
• Reflektera över modellprestanda och begränsningar med hjälp av lämpliga utvärderingsmått.
• Beakta etiska aspekter och reproducerbarhet vid tillämpning av datadrivna metoder.

Kursinnehåll

Kursen består av föreläsningar, datorövningar, inlämningsuppgifter, gästföreläsningar samt ett avslutande grupprojekt. Kursen behandlar följande moment:

• Datarepresentation och förbehandling.
• Övervakad inlärning: regression, klassificering och utvärderingsmått.
• Neurala nätverk: grundläggande arkitekturer och begrepp.
• Dimensionsreduktion och autoenkodare.
• Introduktion till fysikinformerade metoder inom maskininlärning.
• Oövervakad inlärning: klustring och avvikelsedetektering.
• Förstärkningsinlärning: grundläggande principer och enkla implementationer.
• Etiska aspekter och frågor kring integritet inom maskininlärning.

Avancerade ämnen introduceras för översikt och sammanhang.

Kursens examination

Betygsskala: UG - (U, G) - (Underkänd, Godkänd)
Prestationsbedömning:

Betygsskala: UG - (U, G) - (Fail, Pass). För att bli godkänd på kursen (≥ 7 av 10 poäng) måste studenten uppfylla följande krav: 

• Inlämningsuppgifter (6 poäng): 
• Två inlämningsuppgifter ska genomföras. Varje inlämningsuppgift består av flera programmeringsbaserade delmoment som bygger på datorövningarna. 
• Avslutande grupprojekt (4 poäng): 
• Det avslutande projektet omfattar en skriftlig rapport, en muntlig presentation samt en kamratgranskningsrapport. 

Närvarokrav 

• Närvaro registreras vid 12 datorövningar och bedöms utifrån den sammanlagda närvaropoängen: 
• 10–12: inga ytterligare krav 
• 7–9: genomförande av en extra inlämningsuppgift 
• Under 7: genomförande av två extra inlämningsuppgifter 

Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student. 

Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.

Moduler
Kod: 0122. Benämning: Maskininlärning för energiingenjörer.
Antal högskolepoäng: 7.5. Betygsskala: UG - (U, G).

Antagningsuppgifter

Förutsatta förkunskaper: EDAA65 Programmering, FMSF55 Matematisk statistik, allmän kurs.
Begränsat antal platser: Nej

Kurslitteratur

• Föreläsningsbilder och Google Colab-notebooks (via Canvas).
• Rekommenderade videoföreläsningar och handledningar online.
• Valfri kurslitteratur: Introduction to Machine Learning with Python (Müller & Guido).
• Valfri kurslitteratur: Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control (Steven L. Brunton & J. Nathan Kutz).

Kontaktinfo

Kursansvarig: Per Tunestål, per.tunestal@energy.lth.se
Kursansvarig: Rixin Yu, rixin.yu@energy.lth.se
Kursadministratör: Andrea Frydenlund, andrea.frydenlund@energy.lth.se
Hemsida: https://www.energy.lth.se/sv/utbildning

Övrig information