Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
Deep learning38491/3385/2425/1/41
Studiegids

Deep learning

38491/3385/2425/1/41
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: Haddouchi Hassan
Onderwijstalen: Nederlands
Kalender: Semester 2
Dit opleidingsonderdeel wordt gequoteerd op 20 (tot op een geheel getal).
Mogelijke grensdata voor leerkrediet: 15.03.2025 (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)

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

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 (lijst)

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.