Machine Learning

Deze cursus behandelt verschillende paradigma’s uit de machine learning zoals supervised, unsupervised en reinforcement learning. Voor elk van die paradigma’s worden relevante concepten, technieken en technologieën zowel theoretisch als praktisch behandeld in een data-georiënteerde aanpak. Specifiek worden de onderliggende wiskundige eigenschappen voor leeralgoritmen uitgelegd om te begrijpen hoe nauwkeurige en efficiënte ML-modellen kunnen worden ontworpen. De cursus richt zich verder op het creëren van de academische vaardigheden die nodig zijn om ML-modellen toe te passen, te wijzigen, te creëren, en te optimaliseren voor verschillende maatschappelijk relevante problemen. Ten slotte behandelt de cursus relevante ethische en sociale aspecten van ML-modellen, d.w.z. interpreteerbaarheid om ervoor te zorgen dat de beslissingen die bij het ontwerpen van de modellen worden genomen en de resultaten van de modellen voor anderen begrijpelijk zijn.

Leerdoelen
Na het bestuderen van de cursus kun je:
- de fundamentele/onderliggende principes van ML karakteriseren die worden gezien als optimalisatieproblemen in de context van data, en weet je verschillende subgroepen te onderscheiden zoals supervised, unsupervised, en reinforcement learning met de juiste terminologie,
- voor een gegeven probleem de juiste methodologie en technieken kiezen teneinde een empirische experimentele opzet te construeren waarbinnen met de juiste keuze van modelopzet, dataprocessingstappen, en ML-methoden een oplossing wordt gezocht,
- een uitgewerkte experimentele opzet bouwen met behulp van beschikbare datasets, ML-codebibliotheken, en met ondersteuning van relevante wetenschappelijke literatuur,
- ML-gebaseerde oplossingen evalueren met behulp van geschikte evaluatiemetrieken, resultaten relateren aan de oorspronkelijke vraagstelling, en oplossingen onderling vergelijken op basis van objectieve criteria,
- de noodzaak van interpreteerbaarheid van ML begrijpen en uitleggen, en heb je kennis van en inzicht in de verschillende manieren om met technieken, zoals datavisualisatiemethoden, en uitkomsten die noodzaak inzichtelijk maken,
- een ML-experiment op een wetenschappelijke manier schriftelijk presenteren met bijbehorende rapportageformuleringen betreffende het ontwerp, de gemaakte keuzes, de experimentele opzet, de verkregen resultaten en de conclusies, en weet je dat proces in te bedden in de wetenschappelijke literatuur.