Onderwijstaal : Nederlands |
Examencontract: niet mogelijk |
Volgtijdelijkheid
|
|
Geen volgtijdelijkheid
|
| Studierichting | | Studiebelastingsuren | Studiepunten | P1 SBU | P1 SP | 2de Examenkans1 | Tolerantie2 | Eindcijfer3 | |
| master informatica profiel Artificial Intelligence | Verplicht | 162 | 6,0 | 162 | 6,0 | Ja | Ja | Numeriek | |
master informatica profiel Data Management | Verplicht | 162 | 6,0 | 162 | 6,0 | Ja | Ja | Numeriek | |
|
| Eindcompetenties |
- EC
| EC 1: De afgestudeerde heeft op het gebied van informatica inzicht in de belangrijkste technologische ontwikkelingen en de onderliggende wetenschappelijke principes. | - EC
| EC 2: De afgestudeerde is in staat om de evolutie in het vakgebied van de informatica (en aanverwante gebieden) bij te houden, om de nieuwe technologieën te evalueren en ze zich eigen te maken. | - EC
| EC 3: De afgestudeerde heeft de nodige kennis en inzichten in minstens 1 subdiscipline die toelaten om een bijdrage te leveren aan het ontwikkelen of toepassen van vernieuwende ideeën in een bepaald gebied van de informatica (door verdieping van basiskennis op bachelor niveau, inclusief deze van wiskundige en andere wetenschappelijke grondslagen). | - EC
| EC 7: De afgestudeerde is in staat om informatie kritisch te analyseren en te evalueren, en op een efficiënte manier te verwerken. |
|
| EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
databases, datamining, knowledge discovery, data warehousing, complexe netwerken.
|
In dit opleidingsonderdeel worden een reeks concepten behandeld die aan de basis liggen van Big Data Analytics. In het bijzonder bekijken we hoe betekenisvolle patronen ontdekt kunnen worden in grote hoeveelheden data. Typisch is de data zo groot dat deze niet in het werkgeheugen past. De nadruk ligt daarom vooral op schaalbare algoritmen. Het opleidingsonderdeel gaat in op algoritmen die op data toegepast worden en onderscheidt zich van machine learning waar data gebruikt wordt om een model te trainen. Ondermeer de volgende onderwerpen komen aan bod:
- Distributed files systems and parallel processing
- Similarity search
- Data stream mining
- Frequent-item set mining
- Clustering very large sets
- Recommendation systems
- Advertisement auctions
- Graph mining
Het opleidingsonderdeel bestaat uit een reeks hoorcolleges die aangevuld worden met projectwerk waarbij de aangeleerde concepten in de praktijk worden gebracht. Hierbij is een grondige kennis van de programmeertaal Python noodzakelijk.
|
|
|
Periode 1 Studiepunten 6,00
Evaluatievorm | |
|
Praktijkevaluatie tijdens onderwijsperiode | 50 % |
|
Behoud van deelcijfer in academiejaar | ✔ |
|
|
|
|
|
Schriftelijk examen | 50 % |
|
Behoud van deelcijfer in academiejaar | ✔ |
|
|
|
|
|
|
|
 
|
Begincompetenties |
|
Grondige kennis van de programmeertaal Python. |
|
 
|
Verplicht studiemateriaal |
|
Mining of Massive Datasets. Jure Leskovec, Anand Rajaraman, Jeff Ullman. PDF kan verkregen worden via http://www.mmds.org |
|
|
|
|
|
| master informatica volledig keuzepakket | Keuze | 162 | 6,0 | 162 | 6,0 | Ja | Ja | Numeriek | |
|
| Eindcompetenties |
- EC
| EC 1: De afgestudeerde heeft op het gebied van informatica inzicht in de belangrijkste technologische ontwikkelingen en de onderliggende wetenschappelijke principes. | - EC
| EC 2: De afgestudeerde is in staat om de evolutie in het vakgebied van de informatica (en aanverwante gebieden) bij te houden, om de nieuwe technologieën te evalueren en ze zich eigen te maken. | - EC
| EC 3: De afgestudeerde heeft de nodige kennis en inzichten in minstens 1 subdiscipline die toelaten om een bijdrage te leveren aan het ontwikkelen of toepassen van vernieuwende ideeën in een bepaald gebied van de informatica (door verdieping van basiskennis op bachelor niveau, inclusief deze van wiskundige en andere wetenschappelijke grondslagen). | - EC
| EC 7: De afgestudeerde is in staat om informatie kritisch te analyseren en te evalueren, en op een efficiënte manier te verwerken. |
|
| EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
databases, datamining, knowledge discovery, data warehousing, complexe netwerken.
|
In dit opleidingsonderdeel worden een reeks concepten behandeld die aan de basis liggen van Big Data Analytics. In het bijzonder bekijken we hoe betekenisvolle patronen ontdekt kunnen worden in grote hoeveelheden data. Typisch is de data zo groot dat deze niet in het werkgeheugen past. De nadruk ligt daarom vooral op schaalbare algoritmen. Het opleidingsonderdeel gaat in op algoritmen die op data toegepast worden en onderscheidt zich van machine learning waar data gebruikt wordt om een model te trainen. Ondermeer de volgende onderwerpen komen aan bod:
- Distributed files systems and parallel processing
- Similarity search
- Data stream mining
- Frequent-item set mining
- Clustering very large sets
- Recommendation systems
- Advertisement auctions
- Graph mining
Het opleidingsonderdeel bestaat uit een reeks hoorcolleges die aangevuld worden met projectwerk waarbij de aangeleerde concepten in de praktijk worden gebracht. Hierbij is een grondige kennis van de programmeertaal Python noodzakelijk.
|
|
|
Periode 1 Studiepunten 6,00
Evaluatievorm | |
|
Praktijkevaluatie tijdens onderwijsperiode | 50 % |
|
Behoud van deelcijfer in academiejaar | ✔ |
|
|
|
|
|
Schriftelijk examen | 50 % |
|
Behoud van deelcijfer in academiejaar | ✔ |
|
|
|
|
|
|
|
 
|
Begincompetenties |
|
Grondige kennis van de programmeertaal Python. |
|
 
|
Verplicht studiemateriaal |
|
Mining of Massive Datasets. Jure Leskovec, Anand Rajaraman, Jeff Ullman. PDF kan verkregen worden via http://www.mmds.org |
|
|
|
|
|
| 1e masterjaar in de mobiliteitswetenschappen | Keuze | 162 | 6,0 | 162 | 6,0 | Ja | Ja | Numeriek | |
|
| Eindcompetenties |
- EC
| De afgestudeerde kan kennis toepassen op een zelfstandige en zelfsturende manier. Hij is in staat de eigen leerprocessen te plannen, te bewaken, te sturen en te evalueren en zorg te dragen voor eigen (kwaliteits-) controle. |
|
| EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
databases, datamining, knowledge discovery, data warehousing, complexe netwerken.
|
In dit opleidingsonderdeel worden een reeks concepten behandeld die aan de basis liggen van Big Data Analytics. In het bijzonder bekijken we hoe betekenisvolle patronen ontdekt kunnen worden in grote hoeveelheden data. Typisch is de data zo groot dat deze niet in het werkgeheugen past. De nadruk ligt daarom vooral op schaalbare algoritmen. Het opleidingsonderdeel gaat in op algoritmen die op data toegepast worden en onderscheidt zich van machine learning waar data gebruikt wordt om een model te trainen. Ondermeer de volgende onderwerpen komen aan bod:
- Distributed files systems and parallel processing
- Similarity search
- Data stream mining
- Frequent-item set mining
- Clustering very large sets
- Recommendation systems
- Advertisement auctions
- Graph mining
Het opleidingsonderdeel bestaat uit een reeks hoorcolleges die aangevuld worden met projectwerk waarbij de aangeleerde concepten in de praktijk worden gebracht. Hierbij is een grondige kennis van de programmeertaal Python noodzakelijk.
|
|
|
Periode 1 Studiepunten 6,00
Evaluatievorm | |
|
Praktijkevaluatie tijdens onderwijsperiode | 20 % |
|
|
|
|
|
 
|
Begincompetenties |
|
Grondige kennis van de programmeertaal Python. |
|
 
|
Verplicht studiemateriaal |
|
Mining of Massive Datasets. Jure Leskovec, Anand Rajaraman, Jeff Ullman. PDF kan verkregen worden via http://www.mmds.org |
|
|
|
|
|
1 examenregeling art.1.3, lid 4. |
2 examenregeling art.4.7, lid 2. |
3 examenregeling art.2.2, lid 3.
|
Legende |
SBU : studiebelastingsuren | SP : studiepunten | N : Nederlands | E : Engels |
|