Machine Learning (incl. Deep Learning) (4174) | | Contactpersoon : | dr. Tom HABER |
| Onderwijstaal : Nederlands |
| | | Examencontract: niet mogelijk |
|
Volgtijdelijkheid
|
| |
|
Geen volgtijdelijkheid
|
There is no data for this choice.
Change the language, year or choose another item in the dropdown list if it is available.
| Studierichting | | Studiebelastingsuren | Studiepunten | P2 SBU | P2 SP | 2de Examenkans1 | Tolerantie2 | Eindcijfer3 | |
 | master informatica profiel Artificial Intelligence | 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 5: De afgestudeerde kan zelfstandig een complex informaticaprobleem modelleren, de nodige abstracties invoeren, de oplossing gestructureerd beschrijven en implementeren, en ten slotte tegenover de stakeholders argumenteren waarom de gekozen oplossing en de bijhorende implementatie voldoen aan de gestelde specificaties. | - EC
| EC 6: De afgestudeerde is in staat om zelfstandig een wetenschappelijk probleem te situeren, te analyseren, te evalueren, een onderzoeksvraag te formuleren en hiervoor op een wetenschappelijk onderbouwde manier een oplossing voor te stellen. |
|
| | EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
|
De cursus geeft een overzicht van verschillende technieken binnen machine learning: methoden voor regressie en classificatie inclusief neurale netwerken en monte carlo. De studenten verwerven basiskennis over de theoretische achtergrond van de technieken en zijn in staat om deze practisch toe te passen in mini-projecten waarbij ze de verworven resultaten kunnen toelichten en presenteren.
|
|
|
|
|
|
|
|
|
Hoorcollege ✔
|
|
|
|
Practicum ✔
|
|
|
|
Project ✔
|
|
|
|
Zelfstudieopdracht (ZSO) ✔
|
|
|
|
|
|
|
|
Oefeningen ✔
|
|
|
|
Presentatie ✔
|
|
|
|
Verslag ✔
|
|
|
|
Periode 2 Studiepunten 6,00
| Evaluatievorm | |
|
| Schriftelijke evaluatie tijdens onderwijsperiode | 50 % |
|
|
|
|
|
|
|
Tweede examenkans
| Evaluatievorm tweede examenkans verschillend van eerste examenkans | |
|
|
|
| Begincompetenties |
| |
De student dient kennis te hebben over de basisprincipes van kanstheorie en statistiek, waaronder kansruimten, een- en meerdimensionale verdelingen |
|
|
|
|
|
| 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 5: De afgestudeerde kan zelfstandig een complex informaticaprobleem modelleren, de nodige abstracties invoeren, de oplossing gestructureerd beschrijven en implementeren, en ten slotte tegenover de stakeholders argumenteren waarom de gekozen oplossing en de bijhorende implementatie voldoen aan de gestelde specificaties. | - EC
| EC 6: De afgestudeerde is in staat om zelfstandig een wetenschappelijk probleem te situeren, te analyseren, te evalueren, een onderzoeksvraag te formuleren en hiervoor op een wetenschappelijk onderbouwde manier een oplossing voor te stellen. |
|
| | EC = eindcompetenties DC = deelcompetenties BC = beoordelingscriteria |
|
|
De cursus geeft een overzicht van verschillende technieken binnen machine learning: methoden voor regressie en classificatie inclusief neurale netwerken en monte carlo. De studenten verwerven basiskennis over de theoretische achtergrond van de technieken en zijn in staat om deze practisch toe te passen in mini-projecten waarbij ze de verworven resultaten kunnen toelichten en presenteren.
|
|
|
|
|
|
|
|
|
Hoorcollege ✔
|
|
|
|
Practicum ✔
|
|
|
|
Project ✔
|
|
|
|
Zelfstudieopdracht (ZSO) ✔
|
|
|
|
|
|
|
|
Oefeningen ✔
|
|
|
|
Presentatie ✔
|
|
|
|
Verslag ✔
|
|
|
|
Periode 2 Studiepunten 6,00
| Evaluatievorm | |
|
| Schriftelijke evaluatie tijdens onderwijsperiode | 50 % |
|
|
|
|
|
|
|
Tweede examenkans
| Evaluatievorm tweede examenkans verschillend van eerste examenkans | |
|
|
|
| Begincompetenties |
| |
De student dient kennis te hebben over de basisprincipes van kanstheorie en statistiek, waaronder kansruimten, een- en meerdimensionale verdelingen |
|
|
|
|
|
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 |
|