Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
Mathematical foundations37465/3112/2324/1/08
Studiegids

Mathematical foundations

37465/3112/2324/1/08
Academiejaar 2023-24
Komt voor in:
  • Bachelor in de toegepaste informatica, trajectschijf 1
    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: Casteels Wim
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: 78,00 uren

Volgtijdelijkheid

Op dit opleidingsonderdeel is er geen volgtijdelijkheid van toepassing.

Korte omschrijving

In dit OLOD bekijken we de fundamentele bouwstenen van Artificiële Intelligentie (AI) en Machine Learning (ML): lineaire algebra, kansrekenen, statistiek en optimalisatie. Dit doen we met een combinatie van theorie en interactieve voorbeelden in python, de programmeertaal bij uitstek voor AI-toepassingen.

Lineaire algebra ligt aan de basis van de meeste algoritmes die gebruikt worden voor AI en is belangrijk om te begrijpen wat er zich achter de schermen afspeelt bij deze algoritmes. We bekijken ook een toepassing van lineaire algebra voor beeldcompressie.

Het gebeurt maar zelden dat we iets met 100% zekerheid kunnen voorspellen, meestal is er een onzekerheid aan verbonden. Dit geldt ook bij voorspellingen voor AI-toepassingen. Het is dan ook erg belangrijk om de onzekerheid van deze voorspellingen te kunnen inschatten. Kansrekenen leert ons hoe we met variabelen met onzekerheid kunnen werken en met statistiek kunnen we onzekerheid bepalen.

Bij de ontwikkeling van AI-algoritmes moet er vaak iets geoptimaliseerd worden. Het doel is vaak om zo optimaal mogelijk de data te beschrijven. We bekijken hiervoor het gradient descent algoritme dat onder andere aan de basis ligt van deep learning waar veel moderne AI-toepassingen op gebaseerd zijn. 

De werking van de verschillende bouwstenen wordt geïllustreerd aan de hand van een eenvoudig maar in de praktijk vaak gebruikt ML algoritme: lineaire regressie.

OLR-Leerdoelen (lijst)

A.6. Application Design
Lost een lineair stelsel van vergelijkingen op.
Past lineaire regressie toe op een dataset.
Bespreekt de mogelijke bronnen van onzekerheid.
Past het gradient descent algoritme toe.
Gebruikt matrix decompositie voor datacompressie.
Berekent en visualiseert een betrouwbaarheidsinterval voor een schatting.
Berekent de p-waarde voor een schatting.
Gebruikt de juiste methodes om de onzekerheid van een voorspelling te schatten.

Leerinhoud

  • Lineaire algebra:
    • Datastructuren: getallen, vectoren, matrices, tensors
    • Algebraïsche operaties
    • Oplossen van een lineair stelsel van vergelijkingen
    • Matrix decompositie en datacompressie
  • Kansrekenen:
    • Kansvariabelen
    • Conditionele kans (regel van Bayes)
    • Kansverdelingen (Gauss, binomiaal, ...)
  • Statistiek:
    • P-waarde
    • Betrouwbaarheidsinterval
    • Correlatie vs. causatie
  • Calculus en optimalisatie:
    • Afgeleide van een functie
    • Het gradient descent algoritme
  • Lineaire regressie

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
Eerste examenperiodeKennis- en inzichtstoets in de examenreeks40,00Digitale evaluatie
Eerste examenperiodeVaardigheidstoets in de examenreeks40,00Digitale evaluatie
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennis- en inzichtstoets in de examenreeks40,00Digitale evaluatie, open en gesloten vragen
Tweede examenperiodeVaardigheidstoets in de examenreeks40,00Digitale evaluatie, casus
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
Eerste examenperiodeVaardigheidstoets permanent tijdens de lesweken (Permanente evaluatie)20,00

Toetsing (tekst)

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.