Ervaringen

Vooropleiding

BSc Artificial Intelligence (Radboud Universiteit)

Opleiding

Data Science and AI

Student Alexandru Ciutacu volgt de master Data Science aan de Radboud Universiteit.

Wat vind je leuk aan het programma en waarom? Hoe heeft de opleiding je uitgedaagd?

De overgang van een bachelor in Artificial Intelligence naar dit masterprogramma heeft mij anders doen nadenken. Terwijl mijn bachelorstudie een theoretische basis legde, heeft de hands-on en projectmatige aanpak van het masterprogramma me aangespoord om anders te denken. Ik heb nu de vrijheid om me te verdiepen in gebieden die me fascineren, maar dit gaat gepaard met een grotere verantwoordelijkheid. Het programma vraagt veel zelfstandigheid en initiatief. De overstap van theorieën naar praktische oplossingen heeft zowel mijn benadering van leren als mijn carrièrepad opnieuw gedefinieerd.

Hoe ervaar je de sfeer binnen de opleiding?

Het programma onderscheidt zich door de sfeer van samenwerking. In plaats van een strikte hiërarchie te handhaven, koesteren de docenten een open omgeving waarin studenten zich op hun gemak voelen om hulp te vragen en ideeën te delen. Deze benaderbaarheid strekt zich uit tot mijn medestudenten, die in elke discussie enthousiasme en verschillende perspectieven inbrengen. Samenwerken met zulke betrokken klasgenoten maakt zelfs uitdagende groepsprojecten de moeite waard.

Wat vind je het meest uitdagend aan de master(specialisatie)? Zijn er dingen waar je tegenaan loopt?

Hoewel de grote mate van onafhankelijkheid van het programma aanvankelijk een uitdaging vormde, ben ik dit aspect van mijn masteropleiding gaan waarderen. De vrijheid om mijn curriculum vorm te geven door middel van keuzevakken is zowel bevrijdend als veeleisend. Het vereist zorgvuldige planning om de werklast van de cursussen te beheren en zelfsturend leren (vaardigheden die ik onderweg heb moeten ontwikkelen). Kiezen uit het grote aantal keuzevakken kan soms overweldigend aanvoelen, maar ik verkies deze flexibiliteit boven een gefixeerd curriculum. De autonomie heeft me gestimuleerd om bewuster om te gaan met mijn academische keuzes en leerproces.

Loop je momenteel stage? Of waar gaat je scriptie over?

Ik ben momenteel in gesprek met een aantal bedrijven over mogelijke stageplaatsen, waarbij ik me vooral richt op functies die te maken hebben met computer vision en deep learning.

Waarom denk je dat het belangrijk is dat er mensen zijn met dit diploma? Wat zijn je plannen als je je masterdiploma hebt behaald?

In de huidige datagestuurde wereld is Data Science de basis geworden van innovatie in vrijwel elke branche. Door complexe gegevens om te zetten in bruikbare inzichten, bieden Data Scientists oplossingen die routinematige taken automatiseren en mensen in staat stellen zich te concentreren op creatief werk. Deze expertise is cruciaal nu organisaties steeds meer vertrouwen op gegevensgestuurde besluitvorming om concurrerend te blijven en innovatie te stimuleren. Na het afronden van mijn master wil ik werken in een omgeving waar ik mijn analytische vaardigheden kan toepassen om uitdagende problemen in de echte wereld op te lossen. Denk aan complexe gegevens omzetten in praktische oplossingen die een betekenisvolle impact hebben. De snelle evolutie van het vakgebied en de groeiende impact in verschillende sectoren maken het een spannende tijd om bij te dragen aan deze transformatie.

Vooropleiding

Bachelor of Technology, Computer Science (Manipal University Jaipur, India)

Nationaliteit

Indiaas

Opleiding

Data Science and AI

Startdatum studie

01 september 2023

Einddatum studie

31 juli 2025

Student Nityaa Kalra volgt de master Data Science aan de Radboud Universiteit.

Wat spreekt je aan in de master en waarom?

Wat ik het leukste vind aan mijn programma, Master in Data Science, is de flexibiliteit in de keuze van vakken die ik kreeg. Ik ben altijd geïnteresseerd geweest in spraak- en taaltechnologie en ik was erg enthousiast toen ik aan het programma begon en hoorde dat we ook vakken van andere faculteiten konden kiezen die bij onze interesses pasten. Het was natuurlijk heel anders dan de cursussen in mijn eigen land. Hier kon ik meer onderzoek doen en de concepten beter begrijpen.

Hoe ervaar je de sfeer binnen de opleiding?

De sfeer in de klas is altijd heel ontspannen geweest. De docenten waren erg vriendelijk en ondersteunend. Ze waren makkelijk te bereiken! Verder zorgden de docenten ervoor dat we ze ook buiten het klaslokaal konden bereiken, via discord of e-mail.

Wat vind je het meest uitdagend aan de master(specialisatie)? Zijn er dingen waar je tegenaan loopt?

Het kostte me wat tijd om te wennen aan het nieuwe beoordelingssysteem hier. Soms was ik in de war over hoe mijn examen was beoordeeld, maar al snel raakte ik gewend aan het systeem en uiteindelijk kwam alles goed.

Kun je iets vermelden over je stage en/of je scriptie?

Ja, ik ben net begonnen met mijn scriptie bij een onderzoeker van het CWI (Centrum Wiskunde & Informatica). Het gaat over Bias in Book Recommender Systems. Ik probeer te begrijpen hoe boeken met specifieke thema's meer worden aanbevolen dan andere. 

Waarom is het belangrijk dat er mensen zijn met deze master(specialisatie) op zak? Wat wil je er zelf mee gaan doen na het afronden van je master?

Ik denk dat een diploma in Data Science je in het huidige tijdperk kan uitrusten met de vaardigheden die nodig zijn om technologie te ontwikkelen die menselijke inspanning vermindert en de kwaliteit van leven verbetert. Vooral omdat 'AI' tegenwoordig een modewoord is, is het echt noodzakelijk om te begrijpen wat er achter de motorkap gebeurt.

Zodra ik ben afgestudeerd, ben ik van plan om bij een AI-gebaseerd bedrijf te gaan werken en de vaardigheden die ik hier heb geleerd te gebruiken. Maar omdat ik een voorstander ben van verantwoorde en ethische AI, zie ik mezelf op een dag wel iets doen op dit gebied.

Vooropleiding

BSc Computing Science (Radboud Universiteit)

Opleiding

Data Science and AI

Startdatum studie

04 september 2023

Einddatum studie

05 december 2025

Student Boudewijn van Gils volgt de master Data Science aan de Radboud Universiteit.

Wat spreekt je aan in de master en waarom?

Er is een breed scala aan onderwerpen waar je Data Science kan toepassen en deze master verkent er veel. Je kan zelf kiezen of je meer wil leren over spraakherkenning, wetgeving of prostheses. De 6 EC volledig vrije keuze zijn een leuke bonus.

Hoe ervaar je de sfeer binnen de opleiding? 

Bijzonder goed. Ik heb regelmatig samengewerkt met onbekenden en ik ben altijd positief verrast. Iedereen communiceert duidelijk, doet zijn of haar werk en we hebben het best gezellig.

De docenten zijn heel beleefd, attent en is er een gemoedelijke sfeer. Ik heb de gewoonte gekregen om docenten met hun voornaam aan te spreken, omdat ze daar meestal de voorkeur voor hebben.

Wat vind je het meest uitdagend aan de master(specialisatie)? Zijn er dingen waar je tegenaan loopt?

Net als in de bachelor zijn computers soms gewoon erg irritant om mee te werken. Vooral Machine Learning modellen vind ik een eeuwige bron van frustratie. Vaak maak je een kleine verandering en moet je dan uren wachten om te zien of er iets verbetert. Niet mijn ding.

Kun je iets vermelden over je stage en/of je scriptie?

Ik heb een half jaar bij het KNMI een stage gedaan over AI modellen die weersvoorspellingen doen van 2 tot 8 weken. Een interessant onderwerp, vind ik zelf. Toch liep ik helemaal vast in het project omdat ik een aantal modellen, ondanks vele inspanningen, maar niet aan de praat kreeg. Erg frustrerend. Ik ben gestopt en ben nu een stage aan het doen over een heel ander onderwerp, het verbeteren van een zoekmachine. Jammer van de studievertraging, maar ik zou het zeker aanraden om iets te doen waar je niet ongelukkig van wordt.

Waarom is het belangrijk dat er mensen zijn met deze master(specialisatie) op zak? Wat wil je er zelf mee gaan doen na het afronden van je master?

Data is overal. Daarmee goed om kunnen gaan is een van de handigste vaardigheden om te leren. Ik ga na het afronden van de master een bedrijf zoeken met een gezellig team om in te werken. 
 

Yuliya Shapovalova is onderzoeker en universitair docent in Data Science. In haar werk detecteert ze onder andere samen met Alliander ongebruikelijke pieken in de data van het elektriciteitsnet. Machine learning en AI helpen bij het vinden van oplossingen hiervoor.

"Ik wil laten zien dat AI en machine learning niet alleen in de digitale wereld bestaan; ze kunnen tastbare impact hebben in onze maatschappij", aldus Yuliya Shapovalova, onderzoeker in Data Science. In deze video legt ze uit hoe ze haar algoritmen inzet om een breed scala aan verschillende problemen op te lossen, van fundamentele wetenschap tot urgente maatschappelijke vraagstukken zoals de energietransitie in Nederland. Daarvoor speelt ze een rol in de langdurige strategische samenwerking tussen Radboud en Alliander.  

Daarnaast helpt ze met het MKB Data Lab, samen met studenten, MKB-bedrijven uit de regio met het vinden van machine learning-oplossingen voor hun problemen.

Opleiding

Data Science and AI

De vraag naar elektriciteit explodeert. Het stroomnet in Nederland raakt op steeds meer plekken vol en netbeheerders kunnen de ontwikkelingen niet bijbenen. Een probleem voor bedrijven en particulieren. Hoe los je dit op? Netwerkbedrijf Alliander zocht hulp bij het team van datawetenschapper Roel Bouman van de Radboud Universiteit Nijmegen.

Zonder energie staat Nederland stil. Bedrijven als Alliander ontwikkelen en beheren energienetten. Via hun kabels en leidingen ontvangen huishoudens en bedrijven elektriciteit en gas. Alliander regelt dit voor ruim drie miljoen klanten.

‘Door de energietransitie, digitalisering, woningbouw en economische groei wordt het snel drukker op het elektriciteitsnet. Op sommige plekken en tijden te druk’, schetst Jacco Heres, datawetenschapper bij Alliander.

‘We werken hard aan de uitbreiding van het stroomnet, maar op steeds meer plaatsen groeit de vraag naar elektriciteit sneller dan wij kunnen bouwen’, vervolgt Jacco Heres. ‘Op die plekken kunnen we industrie, kantoren en supermarkten geen extra capaciteit geven tot het net is uitgebreid.

Naast uitbreiding werken we aan slimmer en efficiënter gebruik van het stroomnet om filevorming te voorkomen.’

Project STORM

Om die files te voorkomen, is een beter inzicht nodig van alle stromen, die over het net gaan. Hierbij helpt STORM, een samenwerkingsproject onder leiding van Roel Bouman, waaraan Alliander en de afdeling Data Science van de Radboud Universiteit deelnemen. Binnen het projectteam verzorgt Roel Bouman het projectmanagement en technisch overzicht.

Hij is afgestudeerd in scheikunde en computerwetenschappen, met als specialisatie data science en machine learning. ‘Om het project vaart te geven hebben we in november 2021 een hackathon georganiseerd op de campus’, vertelt Roel Bouman. ‘Doel was dat de deelnemers ons op ideeën brachten om met behulp van algoritmen, volledig automatisch, te voorspellen wanneer er in de data schakelgebeurtenissen plaatsvinden.’

Automatisch filteren

‘Natuurlijk probeert ook Alliander door metingen te voorspellen wanneer en waar het druk zal zijn. Maar in meetdata zitten altijd fouten en onregelmatigheden. Bovendien vinden er ‘verschakelingen’ plaats, omleidroutes, wanneer bijvoorbeeld ergens een kabel breekt. Daardoor worden andere routes weer drukker.

Wil je de echte belasting meten en voorspellingen doen voor een optimaal gebruik, dan moet je foute data eruit filteren. Liefst automatisch”, verklaart Roel Bouman, ‘want als het door mensen gebeurt kost het veel tijd en ben je afhankelijk van hun expertise en beschikbaarheid.’

Wiskundig model

‘Met machine learning ben je altijd in functie en heb je op elk moment actuele data.’ Het team van Roel Bouman ontwikkelde er een wiskundig model voor dat geschikt is data te analyseren met behulp van algoritmen. ‘Dat is puzzelen, een soort van super sudoku oplossen.

Vijftig procent doen en vijftig procent denken. We hebben een demonstrator gemaakt waarbinnen de data-analyse volledig digitaal gebeurt. Die werkt goed en wordt nu door Jacco en zijn team ingevoerd bij Alliander.’

Is dit dé oplossing? ‘Ja’, zegt Roel Bouman. ‘Al zijn er altijd updates nodig. Elk systeem heeft namelijk onderhoud nodig.’

Gepubliceerd op TechGelderland

Nationaliteit

Nederlands

Opleiding

Data Science and AI

Tom Heskes is vicedecaan van FNWI en hoogleraar Data Science aan de Radboud Universiteit, en is gespecialiseerd in het gebruik van AI en machine learning om nieuwe datawetenschappelijke tools te ontwikkelen en te begrijpen.

Kun je jezelf voorstellen?

Mijn naam is Tom Heskes, als docent en onderzoeker binnen de opleidingen Computing Science en Artificial Intelligence help ik studenten hun weg te vinden in de wereld van AI. Hoewel ik als vice-decaan onderzoek minder tijd heb om zelf les te geven, blijf ik het geweldig vinden om samen met studenten nieuwe ideeën over AI te verkennen. Met jarenlange ervaring in kunstmatige intelligentie heb ik veel trends en hypes zien komen en gaan. Daardoor weet ik goed wat echt baanbrekend is en wat vooral marketingpraat is. 

AI is een vakgebied vol spannende ontwikkelingen, en ik help studenten graag om die te begrijpen en er zelf aan bij te dragen. Naast mijn werk aan de universiteit ben ik betrokken geweest bij verschillende AI-spin-offs en zet ik me in om AI-geletterdheid te vergroten, ook buiten de universiteit. Misschien kruisen onze paden in een college, project of discussie over de toekomst van AI!

Waarom heb je ervoor gekozen om in dit vakgebied te gaan studeren/werken? Wat maakt dit vakgebied zo interessant?

Wat mij meteen greep in dit vakgebied, is de combinatie van theoretisch puzzelen en praktisch toepassen. Het bedenken van nieuwe AI-methoden – een mix van wiskunde, algoritmiek en creatief programmeren – en die vervolgens direct kunnen inzetten om echte problemen op te lossen, blijft elke keer weer geweldig. Of het nu gaat om medische diagnostiek, duurzaamheid of slimme technologie, AI biedt eindeloos veel mogelijkheden om impact te maken. Die combinatie van denkwerk en directe toepassing is wat dit vakgebied voor mij zo interessant maakt.

Waar doe je momenteel zelf onderzoek naar?

Mijn onderzoek draait om machine learning: het ontwikkelen van AI-methoden die leren uit data. Ik werk zowel aan de theoretische kant – nieuwe methoden bedenken en beter begrijpen – als aan de praktische toepassing ervan. Dat laatste doen we vaak in samenwerking met experts uit andere vakgebieden. Zo werken we met clinici aan betere behandelmethodes voor de ziekte van Parkinson, helpen we netbeheerders zoals Alliander om het elektriciteitsnet robuuster te maken, en ondersteunen we andere wetenschappers bij complexe vraagstukken, zoals het automatisch genereren van wiskundige bewijzen of het detecteren van zwaartekrachtgolven. AI opent deuren naar verrassende toepassingen, en dat maakt dit onderzoek zo spannend.

Welke tip heb je voor studenten die hun studiekeuze gaan maken?

Kies iets wat je leuk vindt én waarmee je impact kunt maken. Het mooiste is als je studeert met plezier én bijdraagt aan de wereld om je heen.

Wat vind je het leukste aan het werken met studenten?

Het mooiste is wanneer studenten ineens doorzien hoe AI werkt en waarom het zo krachtig is. Dat moment waarop theorie en praktijk samenkomen en ze enthousiast worden om zelf nieuwe dingen te bedenken. Bovendien helpen hun vragen en frisse ideeën mij om bij te blijven in dit razendsnel ontwikkelende vakgebied.

Nationaliteit

Duits

Opleiding

Data Science and AI

Johannes Textor is Universitair hoofddocent aan de Radboud Universiteit in Nijmegen, en is gespecialiseerd in computationele methodes in biomedisch immunologisch onderzoek.

Kun je jezelf voorstellen?

Mijn naam is Johannes Textor, en ik kwam nu alweer bijna 10 jaar geleden naar Nijmegen waar ik oorspronkelijk in het Radboudumc begon met het opzetten van mijn eigen onderzoeksgroep. Ik begon mijn loopbaan de theoretische informatica en kunstmatige intelligentie (wel in een tijd waarin dit nog niet "hip" was) en raakte vervolgens steeds meer geïnteresseerd in het gebruiken van computationele methodes in biomedisch onderzoek, met name in de immunologie. Maar naar enkele jaren begon ik het fundamentele onderzoek een beetje te missen en greep dus in 2020 de kans om deels over te stappen naar de RU. Op dit moment is mijn onderzoeksgroep dus aan beide kanten van de Heyendaalseweg aanwezig. Als student kun je me tegenkomen in de Bachelor en Master Computing Science, met name Data Science vakken, maar ook in de medische faculteit in bijvoorbeeld het vak "Bioinformatics" en zelfs "Excellence in Communication". Ook ben ik lid van de onderwijsdirectie als coördinator van de Master Computing Science. En alhoewel ik nu al 13 jaar in Nederland woon en werk, zul je misschien nog wat foutjes in deze tekst vinden die mijn Duitse achtergrond verraden...

Waarom heb je ervoor gekozen om in dit vakgebied te gaan studeren/werken? Wat maakt dit vakgebied zo interessant?

Inmiddels heb ik al meerdere "hype cycles" meegemaakt waarin steeds weer werd beloofd dat wij met kunstmatige intelligentie hele grote problemen gingen oplossen, zoals het genezen van kanker of het vinden van een vaccin tegen HIV. Deze beloftes zijn niet echt waargemaakt, maar er is wel degelijk voortgang in de biomedische wetenschappen die te danken is aan computationele methodes - denk aan het ontwikkelen van mRNA-vaccins, waarbij "in silico" voorspellingen al lang een cruciale rol spelen. Ik vind het enorm spannend om dieper in de biomedische wereld te duiken en uit te pluizen welke belangrijke problemen zijn waar we als informatici écht een verschil kunnen maken.

Waar doe je momenteel zelf onderzoek naar?

Ik ben heel geïnteresseerd in hoe het immuunsysteem informatie verwerkt, en hoe en waarom dit soms misgaat (denk aan autoimuunziektes). Hiervoor bouw ik grote simulatiemodellen waarmee we de werking van T cellen en andere cellen van het immuunsysteem beter kunnen begrijpen (voor meer informatie, zie hier een lezing van mij hierover). Ook ontwikkel ik AI-methodes om immunologische datasets sneller en objectiever te kunnen analyseren.

Welke tip heb je voor studenten die hun studiekeuze gaan maken?

Wat wil je later echt gaan doen? Wat vind je belangrijk en waar ben je goed in? Waar wordt je gelukkig van? Denk erover na en praat erover met je vrienden en je familie.

Wat vind je het leukste aan het werken met studenten?

Ik zie het als een privilege om jonge mensen een stuk in hun ontwikkeling te mogen begeleiden. Momenten waarin je duidelijk kan zien dat een student vooruit gaat en er voldoening uit haalt geven heel veel energie.

Nationaliteit

Nederlands

Opleiding

Data Science and AI

Inge Wortel is universitair docent in Data Science aan de Radboud Universiteit, en werkt op het snijvlak van computationele biologie en (toegepaste) data science.

Kun je jezelf voorstellen?

Ik heb zelf met veel plezier aan de Radboud Universiteit gestudeerd (BSc Moleculaire levenswetenschappen en Scheikunde, MSc Molecular Mechanisms of Disease). Hoewel ik dus ben opgeleid in de life sciences, werk ik sinds 2021 bij de afdeling Data Science. Ik denk dat we een beter begrip van data hard nodig hebben om zin van onzin te scheiden in biologische data. In mijn onderzoek gebruik ik dan ook simulatiemodellen en AI om biologische processen (met name celbeweging) beter te begrijpen. Omdat mijn vakgebied zo interdisciplinair is geef ik ook onderwijs in verschillende opleidingen. Zo geef ik enkele colleges over de basis van wiskundige modellen in een minor van de bachelor biomedische wetenschappen, maar studenten van MSc programma's Data Science en Artificial Intelligence kennen mij ook van het vak Natural Computing. Daarin bekijken we hoe we biologische processen kunnen simuleren om zo de biologie beter te begrijpen - én hoe dit kan leiden tot algoritmes die voor veel bredere problemen inzetbaar zijn, zoals evolutionaire algoritmes en swarm intelligence.

Waarom heb je ervoor gekozen om in dit vakgebied te gaan studeren/werken? Wat maakt dit vakgebied zo interessant?

De life sciences heb ik altijd al interessant gevonden. Tijdens mijn opleiding zag ik dat technologische ontwikkelingen weliswaar zorgen voor steeds meer en steeds complexere data, maar dat het behoorlijk lastig kan zijn om daar ook iets zinnigs uit te leren. In tegenstelling tot de populaire spreuk “meten is weten”, is het vergaren van data slechts een eerste stap in de richting van nieuwe kennis. Wie onderzoek doet in de (menselijke) biologie loopt daar al snel tegenaan: belangrijke processen zoals kankergroei en afweer zijn ontzettend complex. En hoewel we door technologische ontwikkelingen daarin steeds meer kunnen méten, wil dat nog lang niet zeggen dat we ook daadwerkelijk alles wéten over hoe die processen werken. Daarom werk ik graag met simulatiemodellen: hiermee kunnen we systematisch onze kennis testen, beter begrijpen wat voor data we eigenlijk moeten verwachten, en zo ons onderzoek robuuster maken.

Waar doe je momenteel zelf onderzoek naar?

Op het moment werk ik veel aan celbeweging. Met speciale microscopen is het mogelijk om bewegende cellen in beeld te brengen, maar de resulterende videos zijn vaak lastig te analyseren. In mijn huidige onderzoek combineer ik simulaties met AI om hierbij te helpen. Zo kijk ik bijvoorbeeld hoe simulaties van celbeweging kunnen helpen om betere AI tools te ontwikkelen voor video analyse, maar ook hoe we met AI weer betere simulaties van celbeweging kunnen maken. Wil je meer weten over mijn onderzoek? Zie bijvoorbeeld deze pagina over het bovenstaande project, de website van onze groep Computational Immunology Deze blogpost over een eerder project, en deze pagina als je meer wil weten over simulaties.