Artesis Plantijn Hogeschool Antwerpen
Media, Design en IT
ML Principles36935/3385/2425/1/02
Studiegids

ML Principles

36935/3385/2425/1/02
Academiejaar 2024-25
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: 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: 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)

Communiceren
Rapporteert op correcte wijze de resultaten van een ML analyse.
Schrijft een verslag met conclusies en metrieken over een ML model.
Ontwerpen
Herkent de verschillende gegevenstypes en beschrijft de verbanden tussen de wiskundige meetschalen met de datatypes uit de informatica.
Evalueert ontwikkelingsmethodologie├źn.
Onderkent de basisprincipes van data training & Cross-validatie.
Begrijpt de basis principes van machine learning
Beschrijft op correcte wijze de afhankelijkheden tussen twee of meerdere variabelen.
Documenteert een kleinschalig AI project in RMarkdown en maakt hiervoor gebruik van de ontwikkelomgeving van RStudio.
Gebruikt RStudio, R en Python om problemen op te lossen.
Hanteert de principes en methodologie├źn van stochastisch programmeren om een realistisch vraag- en aanbod probleem op te lossen.
Herkent de tekenen van over- of onderfitting.
Selecteert het correcte algoritme voor een taak.
Optimaliseren
Test en beoordeelt kritisch een getraind statistisch model.
Lost eenvoudige numerieke optimalisatie problemen op aan de hand van een statistisch programma.
Realiseren
Beargumenteert welk type ML van toepassing is voor een bepaalde applicatie.
Neemt de nodige voorzorgen om over- en onderfitting te voorkomen.
Traint een algoritme om basis van een dataset.
Werkt met een afzonderlijke test dataset om de score van een algoritme te kunnen schatten.

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 (lijst)

StudiewijzerVerplicht
Online leermateriaal op DigitapVerplicht

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

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.