Maskininlärning

Repo för kursen Maskininlärning med klassen Ee25, ht26 - vt27.

Om kursen

Kursen behandlar grunderna inom maskininlärning med fokus på:

• Linjär regression samt gradientbaserad optimering.
• Neurala nätverk: feedforward, backpropagation samt aktiveringsfunktioner.
• Konvolutionella neurala nätverk (CNN) för bildklassificering: kernels, pooling- samt flatten-lager.
• Implementering av ML-algoritmer från grunden i C++, utan externa ML-bibliotek.
• Integrering av ML-modeller i inbyggda system (ESP32-S3).
• Ansvarsfull användning av AI-verktyg vid utveckling.

Under kursens gång implementeras:

• En adaptiv linjär regressionsmodell samt en smart temperatursensordriver.
• Ett enkelt neuralt nätverk (dense-lager) från grunden i C++.
• En valfri ML-algoritm för en egenvald tillämpning, integrerad i ett inbyggt system.
• Conv-, pooling- samt flatten-lager för konvolutionella neurala nätverk.

Efter genomförd kurs ska studenten kunna:

• Implementera grundläggande ML-algoritmer från grunden i C++.
• Träna samt utvärdera neurala nätverk, för hand och i mjukvara.
• Integrera ML-modeller i ett inbyggt system.
• Resonera kring designval, begränsningar samt lämplig användning av AI-verktyg.

---

Struktur

ci/          Skript för kodformattering och kompilering
exams/       Tentameninformation och övningstentamen
info/        Kursinformation, schema och examination
lectures/    Föreläsningar, litteratur och övningsuppgifter
libs/        Delade C++-bibliotek (t.ex. testramverket yrgo::test), som git-submoduler
projects/    Projektbeskrivningar, krav och inlämningsinstruktioner

---

Kodexempel

cnn_demo (L13) är en komplett C++17-implementation av ett konvolutionellt neuralt nätverk som tränas att klassificera 4×4-pixelbilder av siffrorna 0-3. Demot visar hur lagren hänger ihop från indata till prediktion:

• conv_layer::Conv: conv-lager med en kernel, en bias samt "same"-padding.
• conv_layer::MaxPool: icke-överlappande maxpooling.
• flatten_layer::Flatten: formar om 2D-matrisen till en 1D-vektor.
• dense_layer::Dense: fullt uppkopplat utgångslager med one-hot-kodad utdata.

Bygg och kör med make i katalogen; se README för en genomgång av arkitekturen.

---

Kodformattering

ci/format.sh formaterar C/C++-kod med clang-format samt Python-kod med black:

ci/format.sh          # Formatera alla filer.
ci/format.sh --check  # Kontrollera formattering utan att ändra filer.

Samma sak går att köra via rotens Makefile:

make format        # Formatera alla filer.
make format-check  # Kontrollera formattering utan att ändra filer.

Innan skriptet körs behöver clang-format samt black finnas installerade och tillgängliga i PATH.

clang-format installeras via apt i WSL:

sudo apt -y update
sudo apt -y install clang-format

black installeras via requirements.txt:

pip install -r requirements.txt

---