Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
Deep learning38491/3112/2324/1/69
Studiegids

Deep learning

38491/3112/2324/1/69
Academiejaar 2023-24
Komt voor in:
  • Bachelor in de elektronica-ICT
    Keuzeoptie:
    • Uitdovend AI
  • Bachelor in de toegepaste informatica, trajectschijf 2
    Keuzeoptie:
    • Uitdovend AI
    Afstudeerrichting:
    • Artificiële Intelligentie
Dit is een enkelvoudig opleidingsonderdeel.
Studieomvang: 6 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: 15.03.2024 (2de semester)
Tweede examenkans: wel mogelijk.
Delibereerbaarheid/tolereerbaarheid: Dit opleidingsonderdeel komt in aanmerking voor deliberatie/tolerantie onder de voorwaarden van de opleiding waarvoor je bent ingeschreven.
Totale studietijd: 156,00 uren

Volgtijdelijkheid

Op dit opleidingsonderdeel is er geen volgtijdelijkheid van toepassing.

Korte omschrijving

Deep learning richt zich op het ontwikkelen van algoritmen en modellen die geïnspireerd zijn op de werking van het menselijke brein. Het omvat verschillende technieken en modellen die worden gebruikt om complexe taken uit te voeren, zoals beeld- en spraakherkenning, natuurlijke taalverwerking en autonome voertuigen. Het doel van deep learning is om machines te laten leren en zich aan te passen aan nieuwe situaties door middel van het trainen van diepe neurale netwerken, die bestaan uit meerdere lagen van kunstmatige neuronen.

OLR-Leerdoelen (lijst)

A.5. Architecture Design
Beschrijft de voornaamste architecturen en kan deze implementeren.
Licht het werkingsmechanisme achter neurale netwerken toe.
A.7. Technology Watching
Past moderne trends binnen deep learning toe zoals generatieve AI, transfer learning, transformer.
B.1. Design and Development
Traint een neuraal netwerk dat beantwoordt aan een probleemstelling.
Implementeert een neuraal netwerk in python met Keras en Tensorflow.
Hanteert een neuraal netwerk voor toepassingen binnen Computer vision, natural language processing en speech recognition.

Leerinhoud

  • Feed-forward neuraal netwerk
  • Backpropagation
  • Vanishing/Exploding gradiënts
  • Tensorflow en Keras
  • Architectuur van een neuraal netwerk: convolutie, recurrent, Autoencoder, transformer
  • Vermijden van overfitten: Dropout en Batch normalization
  • Transfer learning
  • Computer vision
  • Natural Language processing
  • Speech recognition
  • Generative AI: GAN, VAE, Diffusion

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 werkcolleges24,00 uren
Practicum en/of oefeningen24,00 uren
Werktijd buiten de contacturen108,00 uren

Toetsing (lijst)

Evaluatie(s) voor de eerste examenkans
MomentVorm%Opmerking
Eerste examenperiodeKennis- en inzichtstoets in de examenreeks30,00
Eerste examenperiodeVaardigheidstoets in de examenreeks40,00
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennis- en inzichtstoets in de examenreeks30,00
Tweede examenperiodeVaardigheidstoets in de examenreeks40,00
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
Eerste examenperiodeVaardigheidstoets permanent tijdens de lesweken (Permanente evaluatie)30,00Opdrachten doorheen het semester.

Toetsing (tekst)

VERPLICHTE AANWEZIGHEID NOODZAKELIJK TIJDENS LESACTIVITEIT
Er wordt een 0 op "PROJECTOPDRACHT" gegeven indien de student 4 of meer keer ongewettigd of gewettigd afwezig is op semesterbasis.

AFWEZIG OP (DEEL)EVALUATIE
Als je afwezig bent voor een (deel)evaluatie buiten de afgebakende examenreeksen, 
kan je deze evaluatieactiviteit inhalen op voorwaarde dat dit organisatorisch mogelijk is én :

  • Je jouw afwezigheid meldt via de module ‘Mijn afwezigheden’ in iBaMaFlex voor aanvang van de (deel)evaluatie.

  • Je dient je aanvraag voor een inhaalmoment tezamen met het nodige medisch attest in via de webmodule ‘Mijn afwezigheden’ in iBaMaFlex. 
Je doet dit binnen 2 kalenderdagen na de gemiste (deel)evaluatie. 
Indien de 2de kalenderdag een zaterdag, zondag, feest-of verlofdag is, wordt de termijn verlengd tot de eerstvolgende werkdag.

  • Je maakt, binnen de 4 kalenderdagen na de gemiste (deel)evaluaite, zelf per e-mail een afspraak met de lector omtrent het tijdstip en de wijze waarop dit (deel)examen kan ingehaald worden. 
Je kan slechts één (deel)evaluatie per opleidingsonderdeel inhalen en daarvoor éénmaal een dergelijke afspraak maken. 
Ben je op die afspraak voor het inhaalmoment ook afwezig, dan kan je het (deel)examen niet meer inhalen. 
Je dient het origineel geldig medisch attest te bewaren zodat dit in geval van onduidelijkheid alsnog kan worden opgevraagd.

Voldoe je niet aan de voorgaande voorwaarden, dan heb je geen recht op een inhaalmoment en krijg je bijgevolg 0 op deze (deel)evaluatie.