Artesis Plantijn Hogeschool Antwerpen
Wetenschap en Techniek
campus Spoor Noord Ellermanstraat
Ellermanstraat 33 - 2060 Antwerpen
wt@ap.be
Machine Learning34142/1916/2021/1/38
Studiegids

Machine Learning

34142/1916/2021/1/38
Academiejaar 2020-21
Komt voor in:
  • Bachelor in de elektronica-ICT, trajectschijf 3
    Keuzeoptie:
    • Internet of Things
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: Vanhulle Geert
Andere co-titularis(sen): D'Haese David, Haddouchi Hassan
Onderwijstalen: Nederlands
Kalender: Semester 1
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.10.2020 (1ste 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 de cursus Machine Learning behandelen we, na een introductie in de basis principes en de verschillen tussen supervised, unsupervised en reinforcement learning, ook de fundamenten van 'deep learning'. Een goeie grondlaag!

Machine learning is ook een onderdeel van kunstmatige intelligentie. Het idee is hier dat computers zelf iets kunnen leren, doch dat kunnen ze slechts als we deze algoritmes van voldoende en correcte data voorzien. Een bespreking van de risico's van onvoldoende, onvolledige en inaccurate data is dus op z'n plaats, alsook een kijkje in de principes van data training en cross-validatie.

Uiteraard passen we al onze nieuwe kennis meteen toe in de praktijk! In een reeks uitdagende workshops schrijven we ook zelf code in python voor onze eigen Machine Learning toepassingen. Zo experimenteren we o.a. met tekstherkenning en beeldherkenning, en hebben het tenslotte nog even over Machine Learning Hardware, zoals de nieuwe TPU gebaseerde servers en IoT platformen.

OLR-Leerdoelen (lijst)

De PBA elektronica-ICT bepaalt in overleg met de opdrachtgever de vereisten van elektronische en/of ICT-systemen. Op basis daarvan verzamelt en interpreteert hij de noodzakelijke technische informatie.
Begrijpt de basis principes van machine learning
Herkent de verschillen tussen supervised, unsupervised en reinforcement learning
Begrijpt de fundamenten achter deep learning
Onderkent de basisprincipes van data training & Cross-validatie
De PBA elektronica-ICT bepaalt mogelijke oplossingen en maakt onderbouwde keuzes in componenten voor elektronische en/of ICT-systemen, zowel wat hard- als software betreft.
Analyseert zelfstandig een probleemstelling met het oog op het bieden van een AI-gerelateerde oplossing
De PBA elektronica-ICT ontwerpt en ontwikkelt elektronische en/of ICT-systemen.
Ontwikkelt het vermogen om zelfstandig technisch-uitdagende online workshops uit te voeren
De PBA elektronica-ICT stelt bestaande elektronische en ICT-bouwstenen samen tot een werkend hardware- of softwaresysteem.
Past de juiste principes toe tijdens het exploreren, hanteren en opkuisen van data
Beeld complexe data uit door middel van hedendaagse visualisatie tools
De PBA elektronica-ICT test elektronische en/of ICT-systemen, toetst ze aan de vooropgestelde vereisten en stuurt bij waar nodig.
Herkent de risico's van onvolledige en inaccurate data
Gebruikt een diagnostische toolset om de performantie van ML modellen te meten
Evalueert op gepaste wijze de performantie van een algoritme.
De PBA elektronica-ICT houdt elektronische en/of ICT-systemen operationeel en neemt initiatieven om technische problemen op te lossen.
Ontwikkelt de correcte AI strategie op basis van een probleemstelling
De PBA elektronica-ICT rapporteert correct en nauwkeurig over processen, systemen en producten, zowel schriftelijk als mondeling.
Rapporteert op correcte wijze de resultaten van een ML analyse

Leerinhoud

Gebruik makend van een hedendaags online leerplatform zal de student kennis maken met de belangrijkste aspecten van machine learning:

- Basis principes Machine Learning
- Distributed Machine Learning
- Beeldherkenning & tekstherkenning
- Voorspelling
- Classificeren

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 werkcolleges19,00 uren
Practicum en/of oefeningen19,00 uren
Werktijd buiten de contacturen40,00 uren

Toetsing (lijst)

Evaluatie(s) voor de eerste examenkans
MomentVorm%Opmerking
AcademiejaarKennistoets30,00open en gesloten vragen: momentopname op examen, digitaal
AcademiejaarVaardigheidstoets hands on30,00casus: momentopname op examen, digitaal
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
AcademiejaarKennistoets30,00open en gesloten vragen: momentopname op examen, digitaal
AcademiejaarVaardigheidstoets hands on30,00casus: momentopname op examen, digitaal
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
AcademiejaarVaardigheidstoets hands on permanent (Permanente evaluatie)40,00casus: permanent uitgesteld, digitaal

Geen tweede examenkans mogelijk voor dit deelexamen. Behaalde deelcijfer van de
eerste examenperiode wordt overgedragen naar de tweede examenperiode. De
student kan niet verzaken aan deze overdracht.

Toetsing (tekst)

Permanente evaluatie met verplichte aanwezigheid.
Er wordt een 0 op het deelexamen Vaardigheids hands on permanent gegeven indien de student 4 of meer keer ongewettigd of gewettigd afwezig is op semesterbasis.
De student kan voor de betrokken examenvorm (Vaardigheidstoets hands on permanent) 1 afwezigheid inhalen en dit enkel indien het organisatorisch mogelijk is. De student neemt het initiatief om binnen de 3 kalenderdagen na het gemiste deelexamen met de lector deze inhaalsessie in te plannen.

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.