Artesis Plantijn Hogeschool Antwerpen
Wetenschap en Techniek
campus Spoor Noord Ellermanstraat
Ellermanstraat 33 - 2060 Antwerpen
wt@ap.be
AI Principles32318/1928/2021/1/18
Studiegids

AI Principles

32318/1928/2021/1/18
Academiejaar 2020-21
Komt voor in:
  • Bachelor in de toegepaste informatica, trajectschijf 2
    Keuzeoptie:
    • Big Data
Dit is een enkelvoudig opleidingsonderdeel.
Studieomvang: 3 studiepunten
Men kan dit opleidingsonderdeel niet volgen binnen een
  • examencontract (met het oog op het behalen van een creditbewijs).
  • examencontract (met het oog op het behalen van een diploma).
Titularis: Haddouchi Hassan
Andere co-titularis(sen): D'Haese David
Co-titularis(sen) zijn nog niet (allemaal) gekend.
Onderwijstalen: Nederlands
Kalender: Semester 2
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.03.2021 (2de semester)
Tweede examenkans: wel mogelijk.
Tolereerbaarheid: Dit opleidingsonderdeel komt in aanmerking voor tolerantie onder de voorwaarden van de opleiding waarvoor je bent ingeschreven.
Totale studietijd: 78,00 uren

Volgtijdelijkheid

Op dit opleidingsonderdeel is er geen volgtijdelijkheid van toepassing.

Korte omschrijving

In AI principles zal de student kennismaken met artificiële intelligentie in het algemeen en met machine learning in het bijzonder. De student leert hands-on de meest populaire algoritmen gebruiken om werkelijke classificatie en regressie problemen op te lossen. Er wordt geen bijzondere achtergrond in wiskunde vereist.

OLR-Leerdoelen (lijst)

B.1. Design and Development
Past de juiste principes toe tijdens het exploreren, hanteren en opkuisen van data
Begrijpt de basis principes van machine learning
Herkent de verschillen tussen supervised en unsupervised learning
Begrijpt de fundamenten achter deep learning
Gebruikt een diagnostische toolset om de performantie van ML modellen te meten
Onderkent de basisprincipes van data training & Cross-validatie
Kan complexe data uitbeelden door middel van hedendaagse visualisatie tools
Rapporteert op correcte wijze de resultaten van een ML analyse
E.3. Risk Management
Herkent de risico's van onvolledige en inaccurate data
Identificeert de risico's van bepaalde ML modellen
F.1. Taakanalyse
Ontwikkelt een analyseproject om op basis van ruwe data en een vraagstelling voorspellingen te maken over toekomstige data.
Evalueert op gepast wijze de performantie van een algoritme.
Kiest een algoritme dat het beste past bij een probleem.
Werkt in teamverband aan een gemeenschappelijk analyseproject.
F.2. Strategisch handelen
Ontwikkelt de correcte AI strategie op basis van een probleemstelling
G.2. Schriftelijke communicatie
Communiceert de resultaten van een analyseproject op een correcte en duidelijke manier.

Leerinhoud

- Werken aan data analyse in team-verband
- Gebruik van RStudio
- Onderhoud van packages en modules
- Connecteren met git repository
- Gebruik van online databronnen
- Functioneel programmeren in R en Python
- Rapporteren d.m.v. RMarkdown
- Pandoc document conversie
- Ontwikkelen van multi-language notebooks
- Visualiseren van data
- Werken met data tables en pipes

Studiematerialen (tekst): Verplicht

ELEKTRONISCHE LEEROMGEVING: (vrij ter beschikking voor elke student)
In een cursus bij dit opleidingsonderdeel op de elektronische leeromgeving (Moodle) wordt aanvullend studiemateriaal en studieinformatie aangeboden.

LAPTOP:
De student dient voor dit opleidingsonderdeel zijn/haar persoonlijke laptopcomputer te gebruiken. Er worden faciliteiten geboden voor de aanschaf/installatie van de noodzakelijke software.

Onderwijsorganisatie

Werkvormen
Hoor- en/of werkcolleges13,00 uren
Practicum en/of oefeningen13,00 uren
Werktijd buiten de contacturen52,00 uren

Toetsing (lijst)

Evaluatie(s) voor de eerste examenkans
MomentVorm%Opmerking
AcademiejaarVaardigheidstoets hands on60,00Digitaal examen
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeVaardigheidstoets hands on60,00Digitaal examen
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
AcademiejaarProjectopdracht permanent (Permanente evaluatie)40,00

Toetsing (tekst)

Laattijdig indienen van een opdracht resulteert in een 0 score voor die opdracht tenzij de student o.w.v. medische redenen of een andere overmachtssituatie de toestemming kreeg om de opdracht later in te dienen dan de opgegeven deadline.

De student die omwille van medische redenen of overmacht de opdracht niet tijdig indient, kan uitstel aanvragen volgens volgende procedure:
De student uploadt binnen de 2 kalenderdagen, na de dag waarvoor hij een uitstel van afgifte wil aanvragen, via de iBaMaFlex-module ‘mijn afwezigheden’ een geldig medisch attest, zoals omschreven onder de begripsbepaling van het onderwijs- en examenreglement, of het nodige bewijsmateriaal voor de overmachtssituatie én brengt de verantwoordelijke lector via mail op de hoogte.
De student die voldoet aan de voorwaarden voor uitstel van afgifte bepaalt in overleg met de betrokken lector een nieuwe inleverdatum.
Laattijdig indienen van een opdracht resulteert in een 0 score voor die opdracht tenzij de student o.w.v. medische redenen of een andere overmachtssituatie de toestemming kreeg om de opdracht later in te dienen dan de opgegeven deadline.
De student die omwille van medische redenen of overmacht de opdracht niet tijdig indient, kan uitstel aanvragen volgens volgende procedure:
De student uploadt binnen de 2 kalenderdagen, na de dag waarvoor hij een uitstel van afgifte wil aanvragen, via de iBaMaFlex-module ‘mijn afwezigheden’ een geldig medisch attest, zoals omschreven onder de begripsbepaling van het onderwijs- en examenreglement, of het nodige bewijsmateriaal voor de overmachtssituatie én brengt de verantwoordelijke lector via mail op de hoogte.
De student die voldoet aan de voorwaarden voor uitstel van afgifte bepaalt in overleg met de betrokken lector een nieuwe inleverdatum.