Artesis Plantijn Hogeschool Antwerpen
Wetenschap en Techniek
campus Spoor Noord Ellermanstraat
Ellermanstraat 33 - 2060 Antwerpen
wt@ap.be
AI principles35826/2199/2122/1/63
Studiegids

AI principles

35826/2199/2122/1/63
Academiejaar 2021-22
Komt voor in:
  • Bachelor in de toegepaste informatica, trajectschijf 2
    Keuzeoptie:
    • AI
In andere opleidingen:
  • Bachelor in de elektronica-ICT als AI principles
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
Onderwijstalen: Nederlands
Kalender: Semester 1
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.10.2021 (Academiejaar)
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

binnen trajectschijf 1 al minstens 42 studiepunten afgewerkt hebben EN ((simultaan te volgen met Neural networks OF simultaan te volgen met Artificiële intelligentie) OF (eerder ingeschreven voor Neural networks OF eerder ingeschreven voor Artificiële intelligentie)).

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
Herkent de verschillende gegevenstypes en beschrijft de verbanden tussen de wiskundige meetschalen met de datatypes uit de informatica
Lost eenvoudige numerieke optimalisatie problemen op aan de hand van een statistisch programma.
Hanteert de principes en methodologieën van stochastisch programmeren om een realistisch vraag- en aanbod probleem op te lossen.
B.1. Design and Development
Traint een eenvoudig regressie- of classificatiemodel.
Beschrijft op correcte wijze de afhankelijkheden tussen twee of meerdere variabelen.
Gebruikt RStudio, R en Python om problemen op te lossen.
Past eenvoudige regularisatietechnieken toe.
B.3. Testing
Test en beoordeelt kritisch een getraind statistisch model.
G.2. Schriftelijke communicatie
Documenteert een kleinschalig AI project in RMarkdown en maakt hiervoor gebruik van de ontwikkelomgeving van RStudio.

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 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 on30,00casus: 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, digitaal

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.