Machine learning (B-KUL-T44MLN)
Doelstellingen
De doelstellingen van de cursus:
De student begrijpt de ‘machine learning’ algoritmes. Dit wordt verwezenlijkt door hoorcolleges tijdens het semester.
De student kan ‘machine learning’ algoritmes toepassen op ongeziene datasets. Dit wordt verwezenlijkt door programmeren in PYTHON .
De student kan de performantie berekenen van ‘machine learning’ algoritmes en kan een strategie formuleren om de performantie te verbeteren.
Begintermen
Kennis van algebra analyse en statistiek is vereist.
Ook competenties in het programmeren met PYTHON is vereist.
Volgtijdelijkheidsvoorwaarden
Je moet voldoen aan een volgtijdelijkheidsvoorwaarde om dit opleidingsonderdeel te mogen opnemen. Volgtijdelijkheid kan STRENG of SOEPEL zijn of een GELIJKTIJDIGHEID inhouden. Ook kan een diplomaNIVEAU als voorwaarde gesteld zijn.
Verklaring:
STRENG: Om dit opleidingsonderdeel op te nemen, moet je geslaagd zijn voor of een tolerantie ingezet hebben voor de opleidingsonderdelen waarvoor dit soort voorwaarde geldt.
SOEPEL: Om dit opleidingsonderdeel op te nemen, moet je de opleidingsonderdelen waarvoor dit soort voorwaarde geldt, gevolgd hebben.
GELIJKTIJDIG: Om dit opleidingsonderdeel op te nemen, moet je ook de opleidingsonderdelen waarvoor dit soort voorwaarde geldt, opnemen of al opgenomen hebben.
NIVEAU: Om dit opleidingsonderdeel op te nemen, moet je ten minste deze graad behaald hebben.
(SOEPEL(T2STAT) OF SOEPEL(T2STAE) OF SOEPEL(T1AWS0)) EN (SOEPEL(T34DAS))
Bovenstaande codes van opleidingsonderdelen stemmen overeen met onderstaande omschrijvingen van die opleidingsonderdelen:
T2STAT : Statistiek (Niet meer aangeboden dit academiejaar)
T2STAE : Statistics (Niet meer aangeboden dit academiejaar)
T1AWS0 : Aanvullingen uit de wiskunde (Niet meer aangeboden dit academiejaar)
T34DAS : Data Science (Niet meer aangeboden dit academiejaar)
Identieke opleidingsonderdelen
Dit opleidingsonderdeel is identiek aan de volgende opleidingsonderdelen:
T44MLE : Machine Learning
Plaats in het onderwijsaanbod
Onderwijsleeractiviteiten
2 sp. Machine learning: hoorcolleges (B-KUL-44hMLN)
Inhoud
Inhoud:
Regressie
Classificatie: Logistische regressie
Neurale netwerken
Bias en variantie
Beslissingsbomen
Aanbevelingssystemen
Versterkend leren
Studiemateriaal
Slides op het leerplatform.
Toelichting werkvorm
Gastcollege - Hoorcollege
We nodigen gastdocenten uit de industrie uit om recente ontwikkelingen in hun vakgebied te presenteren.
2 sp. Machine learning: practica (B-KUL-44pMLN)
Inhoud
Er worden meerdere programmeeroefeningen gemaakt over de onderwerpen die in het theoretische gedeelte worden behandeld. Het programmeren gebeurt in Python.
Er wordt aan een project gewerkt in teams van twee, waarbij gebruik wordt gemaakt van ongeziene datasets.
Studiemateriaal
We gebruiken de programmeeroefeningen in Jupyter Notebook. We maken gebruik van de programmeertaal PYTHON.
Toelichting werkvorm
PC-sessie - Posterpresentatie
A Programmeeroefeningen
Bij elk hoofdstuk is er een programmeeroefening gekoppeld in Jupyter Notebook. De functies die ontwikkeld worden tijdens deze oefensessies worden gebruikt voor het project.
B Het project
Het project bestaat uit 4 delen:
Het voorstelgedeelte: hier selecteren de studenten een dataset waar ze aan willen werken. Ze schrijven een voorstelrapport over wat ze gaan doen. De TA begeleidt hen in dit proces.
Het mijlpaalgedeelte: hier tonen de studenten hun voortgang aan de TA. Ze schrijven een mijlpaalrapport. De TA begeleidt de studenten.
Poster: de studenten presenteren een poster aan de andere studenten. Dit wordt beoordeeld.
Eindrapport: studenten dienen een volledig rapport in dat voortbouwt op het voorstelgedeelte en het mijlpaalgedeelte. Dit wordt beoordeeld.
Het project wordt uitgevoerd in paren van studenten.
Evaluatieactiviteiten
Evaluatie: Machine learning (B-KUL-T72005)
Toelichting
Het eindcijfer van deze cursus wordt berekend op basis van de gepubliceerde deelcijfers met de volgende weegfactoren:
OLA Hoorcollege: 40%
OLA Praktijksessies: 60%
Realisatie van de gepubliceerde deelcijfers:
OLA Hoorcollege: de punten worden behaald op het theorie examen tijdens de examenperiode. Dit is een gesloten boek examen dat bestaat uit meerkeuzevragen en open vragen.
Er wordt een vorm van giscorrectie toegepast op de meerkeuzevragen.
OLA Praktijksessies: de punten worden behaald op het eindrapport en de poster van het project. Het project wordt uitgevoerd door twee studenten.
De enige uitzondering op deze regel wordt beschreven in de aanvullende regeling van de Faculteit Engineering Technology in Artikel 66 van de Onderwijs- en Examenregelment.
Afwezigheden:
Bij afwezigheid tijdens de verplichte coachingsessies en de posterpresentatie moet je dezelfde dag nog de onderwijsombudsman op de hoogte stellen. Neem ook zo snel mogelijk en zeker binnen een week contact op met de professor.
Bij afwezigheid tijdens de examenperiode moet je dezelfde dag nog de examenombudsman op de hoogte stellen.
Toelichting bij herkansen
Binnen dit opleidingsonderdeel zijn er deeloverdrachten bij een geslaagd deelresultaat:
- 44hMLN - Machine learning: hoorcolleges (binnen en over academiejaar)
- 44pMLN - Machine learning: practica (binnen en over academiejaar)
De zelfde modaliteiten zijn van toepassing als tijdens de eerste examen periode.