Artesis Plantijn Hogeschool Antwerpen
Wetenschap en Techniek
campus Spoor Noord Ellermanstraat
Ellermanstraat 33 - 2060 Antwerpen
wt@ap.be
AI Principles32318/2199/2122/1/04
Studiegids

AI Principles

32318/2199/2122/1/04
Academiejaar 2021-22
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).
Co-titularis(sen): Haddouchi Hassan
Co-titularis(sen) zijn nog niet (allemaal) gekend.
Onderwijstalen: Nederlands
Kalender: Semester 1
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.10.2021 (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

Tijdens het OLOD Artificiële intelligentie (AI) gaan we stap-voor-stap leren om voorspellingen te maken op basis van aangeleverde data en om deze voorspellingen in te zetten om een systeem aan te sturen. We beginnen bij het op een andere manier naar data te kijken dan wat we tot nog toe gewoon waren. Daarna trachten we om zelf patronen te herkennen door middel van data visualisaties en tenslotte leren we een algoritme om zelf patronen te ontdekken.

Op theoretisch vlak leren we over optimalisaties, over gradiënten en over lokale en globale minima. We komen allerhande algoritmes tegen zoals Naive Bayes Classifier en Elastic Net regularisatie en komen ook al neurale netwerken tegen. We leren bovendien functioneel programmeren in R en in Python zodat we onze nieuwe kennis ook meteen kunnen toepassen. Misschien nog belangrijker dan de technische vaardigheden, zal dit OLOD een unieke set aan soft skills bij ons aanwakkeren: kritisch denken en probleem-oplossend denken. Deze vaardigheden zullen cruciaal blijken bijvoorbeeld tijdens het evalueren van een getraind algoritme. Er wordt geen bijzondere achtergrond in wiskunde vereist.

De onderwijsvorm bestaat uit een goede mix van praktijk en theorie, waarbij de uren praktijk en theorie ook duidelijk afgebakend worden. Tijdens de cursus zal er een formatieve evaluatie plaatsvinden met regelmatige feedback en op het einde volgen er twee examen, eentje voor de theorie en eentje voor de praktische vaardigheden.

OLR-Leerdoelen (lijst)

A.6. Application Design
Begrijpt de basis principes van machine learning
Herkent de verschillen tussen supervised en unsupervised learning
Begrijpt de fundamenten achter deep learning
Onderkent de basisprincipes van data training & Cross-validatie
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
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
Ontwikkelt de correcte AI strategie op basis van een probleemstelling
B.3. Testing
Evalueert op gepast wijze de performantie van een algoritme.
E.3. Risk Management
Herkent de risico's van onvolledige en inaccurate data
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.
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.
Rapporteert op correcte wijze de resultaten van een ML analyse

Leerinhoud

- Functioneel programmeren
- Algoritmisch denken
- Gebruik van online databronnen
- Werken met data tables en pipes
- Visualiseren van data
- Gebruik van RStudio
- Functioneel programmeren in R en Python
- Ontwikkelen van multi-language notebooks
- Elastic net regularisatie
- Random forests
- Naive Bayesian classifier
- Demo gebruik van TensorFlow
- Notebook-systeem (Markdown)

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 werkcolleges12,00 uren
Practicum en/of oefeningen24,00 uren
Werktijd buiten de contacturen42,00 uren

Toetsing (lijst)

Evaluatie(s) voor de eerste examenkans
MomentVorm%Opmerking
AcademiejaarKennistoets30,00Open en gesloten vragen : momentopname op examen, digitaal
AcademiejaarVaardigheidstoets hands on permanent (Permanente evaluatie)30,00casus: momentopname op examen, digitaal
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennistoets30,00Open en gesloten vragen : momentopname op examen, digitaal
Tweede examenperiodeVaardigheidstoets 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

Toetsing (tekst)

Permanente evaluatie met verplichte aanwezigheid.

Opdrachten:
Er wordt een 0 gegeven op een opdracht als ze niet voor de opgegeven deadline ingediend wordt. Een uitzondering op deze regel is als een student o.w.v. medische redenen of een andere overmachtssituatie de toestemming kreeg om de opdracht later in te dienen. De student neemt het initiatief om binnen de 3 kalenderdagen na de gemiste deadline met de lector een nieuwe deadline te bepalen.