6 ECTS credits
160 h study time
Offer 1 with catalog number 4019835ENR for all students in the 1st semester at a (E) Master - advanced level.
Dit is de Nederlandstalige versie van de cursus Deep Learning. De cursus heeft tot doel de nieuwste onderwerpen in algoritmen, architecturen en systemen voor deep learning te behandelen, en toepassingen te presenteren in verschillende moderne gegevensverwerkings- en analysetaken.
De inhoud is onderverdeeld in de volgende delen.
Deel I presenteert concepten rond deep neural networks voor supervised learning (regressie en classificatie), verschillende moderne op gradient descent gebaseerde optimalisatie-algoritmen (bijv. RMSProp, Adam), loss functies en regularisatiemethoden. Dit deel behandelt verschillende deep neural networks architecturen, waaronder fully-connected neural networks, convolutional neural networks, recurrent neural networks, attention mechanisms and graph convolutional neural networks. Toepassingen van dergelijke modellen in computervisie, natuurlijke taalverwerking en datamining worden ook besproken.
Deel II presenteert autoencoders, namelijk, deep learning modellen voor unsupervised learning. Dit deel behandelt ook deep generatieve modellen zoals variational autoencoders (VAEs) en generative adversarial networks (GANs).
Deel III presenteert geavanceerde onderwerpen in deep learning, waaronder explainability, leren van multimodale gegevens en leren van enkele voorbeelden.
Het doel van deze cursus is om de verschillende concepten, methoden en technologieën te introduceren die relevant zijn voor het ontwerp van deep learning-methoden voor moderne gegevensgeneratie, -verwerking en -analyse. De studenten krijgen de gelegenheid om een rreeks hoorcolleges te volgen, de concepten te implementeren tijdens labsessies in Python en deze concepten praktisch in de vorm van een project toe te passen.
Aan het einde van deze cursus heeft de student een grondige kennis en inzicht ontwikkeld in de allernieuwste concepten en technologieën voor deep learning. De student zal in staat zijn om verschillende modellen en architecturen voor deep learning te formuleren, begrijpen en analyseren, en om verschillende taken voor het genereren, verwerken en analyseren van gegevens aan te pakken. De student begrijpt de basiscoderingstechnologieën in deep learning (inclusief Python-bibliotheken, PyTorch, Tensorflow, enz.). En kan deze tools oefenen in de vorm van praktische sessies. De student zal in staat zijn om te onderzoeken hoe de verworven theoretische en praktische kennis kan worden toegepast om een praktisch machine learning probleem aan te pakken in de vorm van een project.
This course contributes to the following programme outcomes of the Master in Applied Computer Science:
MA_A: Knowledge oriented competence
1. The Master in Engineering Sciences has in-depth knowledge and understanding of exact sciences with the specificity of their application to engineering
3. The Master in Engineering Sciences has in-depth knowledge and understanding of the advanced methods and theories to schematize and model complex problems or processes
4. The Master in Engineering Sciences can reformulate complex engineering problems in order to solve them (simplifying assumptions, reducing complexity)
6. The Master in Engineering Sciences can correctly report on research or design results in the form of a technical report or in the form of a scientific paper
8. The Master in Engineering Sciences can collaborate in a (multidisciplinary) team
11. The Master in Engineering Sciences can think critically about and evaluate projects, systems and processes, particularly when based on incomplete, contradictory and/or redundant information
MA_B: Attitude
12. The Master in Engineering Sciences has a creative, problem-solving, result-driven and evidence-based attitude, aiming at innovation and applicability in industry and society
MA_C: Specific competence
18. The Master in Applied Computer Science is able to design and use systems for efficient storage, access and distribution of digital information
19. The Master in Applied Computer Science has knowledge of and is able to use advanced processing methods and tools for the analysis of (big) data in different application domains.
The final grade is composed based on the following categories:
Other Exam determines 100% of the final mark.
Within the Other Exam category, the following assignments need to be completed:
Het eindexamen zal een schriftelijke evaluatie zijn, waarbij de studenten theoretische vragen zullen behandelen, zullen worden gevraagd om optimalisatiefuncties, algoritmen en modelarchitecturen te definiëren die specifieke deep learning problemen oplossen. Het project zal de betrokkenheid van de studenten bij de labsessies onderzoeken, hun diepgaande kennis van deep learning-algoritmen, modellen en systemen evalueren en hun praktische vaardigheden in real-life deep learning-taken beoordelen.
Het eindcijfer wordt samengesteld op basis van de volgende examens: (1) het resultaat van het eindexamen, dat 70% van het eindcijfer bepaalt; en (2) het resultaat van een projectwerk, dat 30% van het eindcijfer bepaalt.
This offer is part of the following study plans:
Master of Applied Sciences and Engineering: Applied Computer Science: Standaard traject (only offered in Dutch)