Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
ML algorithms38488/3385/2425/1/36
Studiegids

ML algorithms

38488/3385/2425/1/36
Academiejaar 2024-25
Komt voor in:
  • Bachelor in de toegepaste informatica, trajectschijf 2
    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: Herman Bruno
Co-titularis(sen) zijn nog niet (allemaal) gekend.
Onderwijstalen: Nederlands
Kalender: Semester 1
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.10.2024 (1ste 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

ML algorithms richt zich op het toepassen van algoritmen die gegevens kunnen analyseren en daarbij patronen kunnen ontdekken. Het omvat verschillende technieken en modellen die worden gebruikt om machine learning toepassingen te ontwikkelen en te verbeteren. Het doel van ML algoritmen is om machines te laten leren van gegevens en voorspellingen te doen op basis van deze data. Naast algemene algoritmes voor bijvoorbeeld data te clusteren of anomalieën te detecteren zien we ook specifieke technieken voor toepassingen zoals voor taalverwerking of recommender systems. We leren werken met chatbots om onze code te verbeteren.

OLR-Leerdoelen (lijst)

Onderzoeken
Valideert en vergelijkt verschillende algoritmes.
Verbetert eigen geschreven code met behulp van een chatbot.
Ontwerpen
Selecteert het juiste algoritme voor een probleem en motiveert dit.
Verklaart de werking van de algoritmes.
Realiseren
Implementeert een ML algoritme te implementeren met de aangewezen library.
Past ML algoritmes toe op een dataset.

Leerinhoud

  • Python libraries voor ML algoritmes
  • Naive Bayes
  • Clustering
  • Dimensional reduction
  • Nearest neighbours
  • Support Vector Machines
  • Genetische algoritmes
  • Ensembles van beslissingsbomen
  • Recommender system
  • Taalverwerking
  • Forecasting 
  • Anomalie detectie
  • werken met chatbots om code te verbeteren (ter beschikking gesteld door de lector)

Studiematerialen (lijst)

StudiewijzerVerplicht
Online leermateriaal op DigitapVerplicht

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

Toetsing (tekst)

De totale examentijd voor de kennis- en inzichtstoets(en) en/of de vaardigheidstoets(en) die tijdens de examenreeks en de toetsweek plaatsvinden, bestaat uit de voorziene tijd hiervoor plus ¼ extra examentijd – met een max. van 30 min. – voor alle studenten. De extra examentijd als individuele aanpassing is hierbij dus inbegrepen. Indien er op het moment van de toetsing een aanvullende toetsing plaats zou vinden, dan wordt de extra examentijd met een maximum van 30 min. toegekend.