Frederik Tobias Norsk Skjøth

Bionic System Solutions

Jeg samarbejder gennem 4. semester med virksomheden Bionic System Solutions(BSS). BSS specialiserer sig i akustisk dronedetektering, remote asset monitoring og vandbehandling.

Vi vil gennem 4. semester udvikle et system der ved hjælp af AI kan detektere dronelyde og genkende billeder og video feed med droner, sende varsler om detekteret drone samt opbevare data i skyen.

Fag

Mine valgfag er Machine Learning og Cloud Computing.

Machine Learning gør det muligt for algoritmer automatisk at lære fra data uden at være eksplicit programmeret. Ved at bruge algoritmer til at analysere store datamængder kan modellen identificere mønstre og lave forudsigelser eller beslutninger baseret på tidligere erfaringer.

Jeg vil gennem 4. semester bruge supervised learning(Classification) til at identificere billeder der indeholder droner samt unsupervised learning(Clustering) til at grupere droner efter deres karakteristika

Cloud Computing er en teknologi, der giver adgang til computerressourcer via internettet i stedet for lokale enheder. Dette muliggøre fleksibel og skalerbar IT-infrastruktur

Cloud computing opdeles typisk i tre modeller: Infrastructure as a Service (IaaS), Platform as a Service (PaaS) og Software as a Service (SaaS)

Jeg vil gennem 4. semester udvikle et cloud miljø gennem Azure der kan hoste mine AI modeller som et SaaS

Frederik Tobias Norsk Skjøth

Mandag

Genopfriskning af gruppemedlemmers emner samt deres rolle i projektet. Fik en klarere ide omkring hvad mine emner skulle fokusere på

Tirsdag

Blev præsenteret for semestret

Onsdag

Torsdag

Havde et møde med projektgruppen hvor vi disktuterede rammerne for projektet. Vi kom frem til enighed omkring en gruppekontrakt og oprettede diverse gruppe chatte.

Fredag

Fandt materiale til emnerne og brugte dette til at definere nogle af de første læringsmål

Mandag

. Afklare fokusområder

  • Bestemme specifikke emner inden for Cloud Computing og Machine Learning.

. Find relevant materiale

  • Søge efter bøger, artikler, kurser og dokumentation.

. Definere læringsmål

  • Formulere klare læringsmål baseret på materialet.

Tirsdag

. Afklare fokusområder

  • Bestemme specifikke emner inden for Cloud Computing og Machine Learning.

. Find relevant materiale

  • Søge efter bøger, artikler, kurser og dokumentation.

. Definere læringsmål

  • Formulere klare læringsmål baseret på materialet.

Onsdag

Torsdag

Påbegyndte 1 / 3 Standford : Machine Learning Specialization og fandt yderligere materiale til både Machine Learning og Cloud Computing

Brugte kurset til at identificere fremtidige læringsmål

Fredag

Lavede overvejelser omkring valg af materiale til cloud computing og valgte Azure som cloud provider

Lørdag

Fortsatte 1 / 3 Stanford kurset for at have en mere sikker forståelse af hvad mine mål for machine learning kunne være

Mandag

Lærte om den gode opstart af semesteret samt vedligeholdelse af motivation og fremskridt i ens process.

Fik gode foreslag til udforming af læringsplan.

Lavede ændringer i proteføljen så den afspejler de gode råd.

Tirsdag

Videre definerede læringsmål.

Lavede en plan for gennemgang af det materiale jeg har fundet

Påbegynder den første periode med fokus på læring gennem materiale og kurser i morgen

Onsdag

Jeg arbejdede med AZ-900 under kurserne "Describe cloud computing" og "Describe the benifits of using cloud services"

Her lærte jeg omkring overordnede emner som Shared responsibility model/Ansvars fordeling af forskellige cloud services mellem kunde og udbyder

Under kurserne kommer også ind på privat, offentlig og hybrid cloud modeller samt de forskellige services(IaaS, PaaS og SaaS) og en mere generel forståelse af fordelene ved cloud løsninger

Torsdag

Idag hørte vi et oplæg omkring AI, brugen af AI, AI databehandling, AI bias og hallucination. Udover dette blev vi også præsenteret for nogle gode promt teknikker

Fredag

Lavede AZ-900 undermodul "Describe cloud service types" og færdiggjorde derved den første learning path ud af 3 i AZ-900 forberedelsen

Jeg gik igang med den næste learning path i AZ-900 "Describe the core architectural components of Azure"

Denne del handler mere om infrastruktur eks. Regional pairs, availability zones

Udover dette lærte jeg også at oprette VMs gennem deres learn test environment samt at navigere i Azures resourcer

Mandag

Fik evaluering af portefølje og vil udvidde og rafinere min Læringsplan samt tilknytte kommentare til min litteraturliste.

Fortsatte med machine learning og kom mere i dybden med Unsupervised Learning algoritmer. Her ses en clustering algoritme der klassificerer DNA således DNA med fællestræk er grupperede

Her findes der også Anomaly detection og Dimensionality reduction som jeg kommer mere ind på længere hen på ugen

Lærte mere om Supervised learning og brugte Jupyter notebooks i forbindelse med Univeriable linear regression.
Her bruger man python og NumPy biblioteket pga de stærke array og linear algebra funktioner.

man bliver introduceret til alle termer, principper og syntax men jeg vil senere bruge et sepperat kursus kombineret med youtube til python

Tirsdag

Fortsatte med Linær regression.

For at finde værdier til w og b så vores forudsigelse er tæt på de realle værdier i træningssættet bruger vi en cost function. Her er squared error cost function den mest almindelige for linær regression

den viser hvor godt de valgte w og b værdier passer til ens træningset. Den måler forskellen mellem modellens forudsigelser og de sande værdier i træningssettet

Jo lavere J er jo mere præcist måler vores w og b værdier

Onsdag

Jeg arbejdede videre med Cost function og startede ud med nogle gode visualiseringer.

For at finde de bedste w og b værdier bruger man en algoritme der hedder Gradient decent.

Man kan visualisere gradient decent gennem et surface plot over mulige w og b og J(w,b) værdier.

Når man bruger square error cost function med linær regression har surface plottet altid kun ét globalt minimum da denne cost function er en voncex function

Her tager gradient decent algoritmen et skridt mod et lavere punkt indtil j ikke kan mindskes længere

I større neurale netværk ser man andre former for surface plots som eksempelvis dette

Her er der flere lokale minimum og alt efter hvilket start punkt algoritmen skal tage udgangspunkt i kan man ende i forskellige minimum.

Fik mit første python projekt op at køre i PyCharm og vil implimentere min første ML model næste uge på mandag

Torsdag

Har været til mine første erfa møder hvor vi delte erfaring, information og kilder. Fik gode fif til kilder og datasæt.

Fredag

Mine notater for uge 10 blev slettet af et roll back men jeg arbejdede udelukkende med cloud computing og lærte hovedsageligt om storage og satte forskellige slags storage resourcer op i azure

Mandag

Tirsdag

Jeg blev færdig med min Multiple Linear Regression Machine Learning Model idag

Modellen bruger datasæt fra kaggle link herunder

Student Performance (Multiple Linear Regression)

Modellen skal beregne Student Performance baseret på disse parametre givet i sættet, Hours Studied, Previous Scores, Extracurricular Activities, Sleep Hours og Sample Question Papers Practiced

Jeg skal dog her påpeje at de datasæt der er på kaggle ofte er saniteret og strukturerede så min Accuracy Rating(r2) værdi kommer til at være en del højere end den nok normalt ville være i virkeligheden

Jeg brugte Python gennem PyCharm. Jeg brugte også nogle libraries til at håndtere de forskellige afspekter af modellen

numpy til at sørge for vectorization gennem .dot metoden hvilket gør selve træningen af modellen væsentlig hurtigere gennem parallel processing capabilities af .dot functionen

bruger Cost function til at beregne cost error af de valgte værdier

Og gradient decent til at beregne de mest præcise værdier for


Jeg brugte pandas til loading og dataset processing

Jeg valgte også at implimentere visualisering af modellen gennem matplotlib som ser såden ud

Som tidligere nævnt er dette datasæt et ret rafineret og uproblematisk sæt så her ser man også en ret høj r2 værdi

Her kan man se de beregnede optimale feature værdier

Hours studiet : 7.40093109
Previous Scores : 17.63646538
Extracurricular Activities : 0.30430629
Sleep Hours : 0.81002051
Sample Question Papers Practiced : 0.54895455

Accuracy ratingen kan ses at være 98.8% hvilket er ret højt

Jeg tænker at mit næste fokuspunkt inde for ML skal være classification med henblik på billeder

alt ialt har linær regression har været ret givene

Onsdag

Torsdag

Fredag

Frederik Tobias Norsk Skjøth

Machine Learning

Den studerende har viden om:

  • Forskellige ML algoritmer(Supervised, Unsupervised).
  • Python syntax

Den studerende kan:

  • Definere maskinlæring
  • Definere Supervised Learning
  • Definere Unsupervised Learning
  • Skrive og køre Python-kode i Jupyter Notebooks
  • Definere en regressionsmodel
  • Implementere og visualisér en omkostningsfunktion
  • Implementere gradientnedstigning
  • Optimere en regressionsmodel ved hjælp af gradientnedstigning

Jeg kan lave en Univeriable linear regression model i python der dynamisk modtager data

Jeg kan skrive basal kode i python

Cloud Computing

Den studerende har viden om:

  • Forskellige Cloud udbydere og deres tilbud.
  • CLoud-modeller(SaaS, PaaS, IaaS)

Den studerende kan:

  • Definere cloud computing.
  • Beskrive modellen for delt ansvar.
  • Definere cloud-modeller, herunder offentlig, privat og hybrid.
  • Identificere passende anvendelsesscenarier for hver cloud-model.
  • Beskrive den forbrugsbaserede model.
  • Sammenligne cloud-prismodeller.
  • Beskrive fordelene ved høj tilgængelighed og skalerbarhed i cloud-miljøet.
  • Beskrive fordelene ved pålidelighed og forudsigelighed i cloud-miljøet.
  • Beskrive fordelene ved sikkerhed og governance i cloud-miljøet.
  • Beskrive Infrastructure as a Service (IaaS).
  • Beskrive Platform as a Service (PaaS).
  • Beskrive Software as a Service (SaaS).
  • Identificere passende anvendelsesscenarier for hver cloud-tjeneste (IaaS, PaaS, SaaS).
  • Beskrive Azure-regioner, regionspar og suveræne regioner
  • Beskrive tilgængelighedszoner
  • Beskrive Azure-datacentre
  • Beskrive Azure-ressourcer og ressourcegrupper
  • Beskrive abonnementer
  • Beskrive administrationsgrupper
  • Beskrive hierarkiet af ressourcegrupper, abonnementer og administrationsgrupper

Frederik Tobias Norsk Skjøth

Machine Learning

Viden

Den studerende har viden om:

  • ML-algoritmer (supervised, unsupervised, deep learning).
  • Træning, validering og evaluering af ML-modeller.
  • ML’s anvendelse i billedgenkendelse.

Færdigheder

Den studerende kan:

  • Udvikle og træne en ML-model til Billedegenkendelse.
  • Optimere ML-modeller via feature engineering og tuning.
  • Dokumentere og præsentere ML-resultater (accuracy, recall, F1-score).

Kompetencer

Den studerende kan:

  • Selvstændigt arbejde med ML-frameworks (TensorFlow, PyTorch, Scikit-learn).
  • Deploye ML-modeller i cloud-miljøer.
  • Perspektivere ML til softwareudvikling, datavidenskab og etik.

Cloud Computing

Viden

Den studerende har viden om:

  • Cloud-modeller (IaaS, PaaS, SaaS) og arkitekturer (Public, Private, Hybrid).
  • Skalérbarhed, sikkerhed og ressourcestyring i cloud-løsninger.
  • Cloud-lagring og databaser (S3, Blob Storage, SQL, NoSQL).

Færdigheder

Den studerende kan:

  • Op sætte og konfigurere en cloud-løsning til ML-træning og deployment.
  • Vurdere cloud-sikkerhed, netværk og omkostninger.
  • Dokumentere og præsentere en cloud-baseret IT-løsning.

Kompetencer

Den studerende kan:

  • Arbejde selvstændigt med cloud-teknologier og automation.
  • Integrere cloud-løsninger i softwareudvikling og dataanalyse.
  • Perspektivere cloud computing til IT-sikkerhed og DevOps.

Frederik Tobias Norsk Skjøth

Machine Learning

Kurser

AI Python for Beginners
(Kommer til at bruge dette til at kode ML)

1 - 3 Standford : Machine Learning Specialization
(Dette skal være min grundsten for ML i semestret)

1 / 3 Supervised Machine Learning: Regression and Classification
(Et rigtigt godt kursus der danner et godt fundament inde for ML)

2 / 3 advanced-learning-algorithms
(Har ikke brugt endu)

3 / 3 Unsupervised Learning, Recommenders, Reinforcement Learning
(Har ikke brugt endu)

Deep Learning for Computer Vision with Python and TensorFlow – Complete Course
(Har ikke brugt endu)

Andet

Chat gpt
(Sparring)

How to Install OpenCV for Python // OpenCV for Beginners
(Har ikke brugt endu)

Beginner guide to Machine Learning
(God overordnet materiale til at finde en generel retning og inspiration)

Computer Vision Tutorial
(Skal bruge denne til at programmere min ML)

Cloud Computing

Kurser

IBM : Introduction to Cloud Computing
(Har ikke brugt endu)

Microsoft : Introduction to Networking and Cloud Computing
(Har ikke brugt endu)

AZ-900 | Microsoft Azure Fundamentals Full Course
(Forberedelse til AZ-900 hvilket jeg bruger som grundsten for resten af mit semester inde for cloud)

Course AZ-900T00-A: Microsoft Azure Fundamentals
(Godt til at danne et fundament)

Google Cloud Fundamentals: Core Infrastructure
(Brugte dette til valg af cloud provider)

Andet

What is Cloud Computing? A Guide for Beginners
(Giver et godt overblik over emnet og gav god inspiration)

Scroll to Top