| Onderwijstaal : Nederlands |
| Examencontract: niet mogelijk |
|
Volgtijdelijkheid
|
| |
|
Verplichte volgtijdelijkheid op niveau van de opleidingsonderdelen
|
| |
| |
| |
Volgende opleidingsonderdelen dient u ook opgenomen te hebben in uw studieprogramma in een voorgaande onderwijsperiode.
|
| |
|
Kansrekening en statistiek (2941)
|
6.0 stptn |
| |
|
| 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 |
|
|
De student kan vlot programmeren in Python. De student is vertrouwd met hashing en grafen, en kan de complexiteit van een algoritme analyseren zoals aangeleerd in Algoritmen en Datastructuren. De student beheerst vlot de rekentechnieken aangeleerd in Lineaire Algebra zoals het vermenigvuldigen van matrices, berekenen van de hoek tussen twee vectoren, en berekenen van eigenwaarden en eigenvectoren. De student kan afleidbare functies optimaliseren in meerdere veranderlijken. De student beheerst vlot de rekenregels uit kanstheorie en is vertrouwd met de normale verdeling.
|
|
|
|
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
- 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 | ✔ |
|
|
|
|
|
|
|
|
| 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 |
|
|
De student kan vlot programmeren in Python. De student is vertrouwd met hashing en grafen, en kan de complexiteit van een algoritme analyseren zoals aangeleerd in Algoritmen en Datastructuren. De student beheerst vlot de rekentechnieken aangeleerd in Lineaire Algebra zoals het vermenigvuldigen van matrices, berekenen van de hoek tussen twee vectoren, en berekenen van eigenwaarden en eigenvectoren. De student kan afleidbare functies optimaliseren in meerdere veranderlijken. De student beheerst vlot de rekenregels uit kanstheorie en is vertrouwd met de normale verdeling.
|
|
|
|
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
- 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 | ✔ |
|
|
|
|
|
|
|
|
| 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
| EC2: De afgestudeerde heeft diepgaande kennis en inzicht in de concepten, methodes, en (onderzoeks)technieken van de mobiliteitswetenschappen en past deze adequaat en zelfstandig toe. |
|
| | EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
|
De student kan vlot programmeren in Python. De student is vertrouwd met hashing en grafen, en kan de complexiteit van een algoritme analyseren zoals aangeleerd in Algoritmen en Datastructuren. De student beheerst vlot de rekentechnieken aangeleerd in Lineaire Algebra zoals het vermenigvuldigen van matrices, berekenen van de hoek tussen twee vectoren, en berekenen van eigenwaarden en eigenvectoren. De student kan afleidbare functies optimaliseren in meerdere veranderlijken. De student beheerst vlot de rekenregels uit kanstheorie en is vertrouwd met de normale verdeling.
|
|
|
|
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
- 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 % |
|
|
|
|
|
|
| Verplicht studiemateriaal |
| |
Mining of Massive Datasets. Jure Leskovec, Anand Rajaraman, Jeff Ullman.
PDF kan verkregen worden via http://www.mmds.org |
|
|
|
|
|
1 Onderwijs-, examen- en rechtspositieregeling art. 12.2, lid 2. |
| 2 Onderwijs-, examen- en rechtspositieregeling art. 16.9, lid 2. |
3 Onderwijs-, examen- en rechtspositieregeling art. 15.1, lid 3.
|
| Legende |
| SBU : studiebelastingsuren | SP : studiepunten | N : Nederlands | E : Engels |
|