Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
ML Principles36935/3112/2324/1/30
Studiegids

ML Principles

36935/3112/2324/1/30
Academiejaar 2023-24
Komt voor in:
  • Bachelor in de elektronica-ICT
    Keuzeoptie:
    • Uitdovend AI
  • Bachelor in de toegepaste informatica, trajectschijf 1
    Keuzeoptie:
    • IT & Artificial Intelligence
    • Uitdovend AI
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: 15.03.2024 (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 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)

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.
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.
B.1. Design and Development
Beschrijft op correcte wijze de afhankelijkheden tussen twee of meerdere variabelen.
Gebruikt RStudio, R en Python om problemen op te lossen.
Traint een algoritme om basis van een dataset.
B.3. Testing
Test en beoordeelt kritisch een getraind statistisch model.
Werkt met een afzonderlijke test dataset om de score van een algoritme te kunnen schatten.
B.5. Documentation Production
Rapporteert op correcte wijze de resultaten van een ML analyse
E.5. Process Improvement
Neemt de nodige voorzorgen om over- en onderfitting te voorkomen.
Herkent de tekenen van over- of onderfitting.
F.1. Taakanalyse
Ondervindt en evalueert ontwikkelingsmethodologieën
G.1. Mondelinge communicatie
Ondervindt en evalueert ontwikkelingsmethodologieën
G.2. Schriftelijke communicatie
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

  • ML Project Lifecycle
  • Python libraries voor ML (scikit-learn, pandas, …)
  • Supervised/Unsupervised ML/RL
  • ML algorithms: Classificatie en regressie, Clustering
  • Discriminative ML vs generative ML
  • Basis Algoritmes: Lineaire regressie, Logistische regressie, Beslissingsbomen
  • Onder- en overfitten: bias vs variantie, regularisatie, hyperparameters, model selectie
  • Validatie van een model: splitsen van data in train/validatie/test, cross validatie, metrieken
  • Feature selectie
  • Feature engineering
  • Baseline
  • Missing values
  • Skewed/unbalanced data 
  • Datalek
  • Data Kwaliteit
  • Data labelling
  • Training acceleration: GPU, TPU, distributed training

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 examenreeks30,00
Eerste examenperiodeVaardigheidstoets in de examenreeks50,00
Evaluatie(s) voor de tweede examenkans
MomentVorm%Opmerking
Tweede examenperiodeKennis- en inzichtstoets in de examenreeks30,00
Tweede examenperiodeVaardigheidstoets in de examenreeks50,00
Evaluatie(s) voor beide examenkansen, niet herhaalbaar in tweede examenkans
MomentVorm%Opmerking
Eerste examenperiodeVaardigheidstoets permanent tijdens de lesweken (Permanente evaluatie)20,00Opdrachten doorheen het semester.

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.