Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
ML Principles36935/2795/2223/1/75
Studiegids

ML Principles

36935/2795/2223/1/75
Academiejaar 2022-23
Komt voor in:
  • Bachelor in de elektronica-ICT, trajectschijf 1
    Keuzeoptie:
    • IT & Artificial Intelligence
  • Bachelor in de toegepaste informatica
    Keuzeoptie:
    • IT & Artificial Intelligence
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 2
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.03.2023 (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 dit OLOD bekijken we een overzicht van Machine Learning (ML) en gaan we aan de slag met een aantal traditionele ML-algoritmes die nog steeds erg populair zijn. We concentreren ons hierbij op de algemene principes die nodig zijn om deze algoritmes succesvol te kunnen gebruiken. Zo is een correcte validatie van een algoritme erg belangrijk om in te schatten hoe het zal presteren.

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
Onderkent de basisprincipes van data training & Cross-validatie
Beargumenteert welk type ML van toepassing is voor een bepaalde applicatie.
Selecteert het correcte algoritme voor een taak.
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.
Herkent de verschillen tussen supervised en unsupervised learning
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.
De PBA elektronica-ICT ontwerpt en ontwikkelt elektronische en/of ICT-systemen.
Beschrijft op correcte wijze de afhankelijkheden tussen twee of meerdere variabelen.
Gebruikt RStudio, R en Python om problemen op te lossen.
De PBA elektronica-ICT test elektronische en/of ICT-systemen, toetst ze aan de vooropgestelde vereisten en stuurt bij waar nodig.
Test en beoordeelt kritisch een getraind statistisch model.
De PBA elektronica-ICT houdt elektronische en/of ICT-systemen operationeel en neemt initiatieven om technische problemen op te lossen.
Traint een algoritme om basis van een dataset.
Neemt de nodige voorzorgen om over- en onderfitting te voorkomen.
Werkt met een afzonderlijke test dataset om de score van een algoritme te kunnen schatten.
Herkent de tekenen van over- of onderfitting.
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
Documenteert een kleinschalig AI project in RMarkdown en maakt hiervoor gebruik van de ontwikkelomgeving van RStudio.
Schrijft een verslag met conclusies en metrieken over een ML model.

Leerinhoud

  • Supervised vs unsupervised ML
  • Classificatie en regressie
  • Clustering
  • Discriminative ML vs generative ML
  • Algoritmes
    • Lineaire regressie
    • Logistische regressie
    • Beslissingsbomen
    • Naive Bayes
    • K-neirest neighbours
  • Onder- en overfitten
    • regularisatie
    • bepalen van hyperparameters
    • Model selectie
  • Validatie
    • splitsen van data in train/validatie/test
    • cross validatie
    • metrieken
  • feature selectie
  • Baseline
  • Missing values
  • Skewed data 
  • Datalek
  • Python voor ML (scikit-learn)

Studiematerialen (tekst): Verplicht

ELEKTRONISCHE LEEROMGEVING: (vrij ter beschikking voor elke student)
Op de elektronische leeromgeving wordt 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
AcademiejaarKennis- en inzichtstoets in de examenreeks30,00Evaluatie, open en gesloten vragen
AcademiejaarVaardigheidstoets in de examenreeks50,00Evaluatie, casus
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennis- en inzichtstoets in de examenreeks30,00Evaluatie, open en gesloten vragen
Tweede examenperiodeVaardigheidstoets in de examenreeks50,00Evaluatie, casus
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
AcademiejaarVaardigheidstoets permanent tijdens de lesweken (Permanente evaluatie)20,00Evaluatie, casus

Toetsing (tekst)

AFWEZIG OP EVALUATIEACTIVITEIT
Evaluatieactiviteiten zijn bijvoorbeeld: (deel)examens, tussentijdse toetsen, inleveren van een (groeps)taak en opdrachten, een (groeps)presentatie, gastcollege, een studiebezoek.

Je wettigt je afwezigheid bij evaluatieactiviteiten tijdens de lesweken (en dus buiten de examenreeks) door een geldig medisch attest in geval van ziekte of het nodige bewijsmateriaal voor een andere overmachtssituatie te uploaden voor aanvang van de evaluatieactiviteit via de module ‘Mijn afwezigheden’ via iBaMaFlex.

Er wordt een 0 op de betrokken evaluatieactiviteit gegeven indien de student afwezig is. De student kan voor de betrokken evaluatieactiviteit de afwezigheid inhalen enkel indien de afwezigheid gewettigd is en het organisatorisch of didactisch mogelijk is.

De student maakt, binnen de 3 werkdagen na het gemiste evaluatieactiviteit, zelf per e-mail een afspraak met de lector omtrent het tijdstip en de wijze waarop dit kan ingehaald worden. Neem je niet deel aan de ingehaalde evaluatieactiviteit dan kan je deze niet meer inhalen en wordt er een 0 op de betrokken evaluatieactiviteit toegekend.