Cursus is bevestigd
Machine Learning (ML) en kunstmatige intelligentie (AI) worden steeds meer geïntegreerd in ons dagelijks leven. Van zelfrijdende auto's tot spraakgestuurde thuisassistenten zoals Google, en de video-effecten op platforms als TikTok: ML-toepassingen zijn overal om ons heen.
Deze cursus begint met een opfrissing van R en RStudio voordat we de belangrijkste ML-methoden en hun toepassingen introduceren. We behandelen unsupervised en supervised leertechnieken, waaronder classificatie- en regressiemethoden (zoals random forests, regressiemodellering, gradient boosting en deep learning). Je ontdekt ook dimensiereductietechnieken zoals autoencoders en UMAP, die complexe datasets vereenvoudigen door het aantal dimensies te verminderen, en clustermethoden zoals K-means, hiërarchische clustering en DBSCAN voor het groeperen van vergelijkbare observaties.
Naast de toepassing op gestructureerde gegevens uit enquêtes en experimenten, leer je hoe ML-technieken ongestructureerde gegevens, zoals afbeeldingen en tekst, kunnen verwerken en analyseren. Dit omvat het toepassen van neurale netwerken voor beeldclassificatie, topic modellering met LDA en deep learning methoden zoals BERT voor tekstclassificatie.
De cursus richt zich op het begrijpen wanneer specifieke ML-technieken gebruikt moeten worden en het opdoen van praktijkervaring met het toepassen ervan in R/RStudio. De cursus is ontworpen om de kloof te overbruggen tussen theoretische kennis en praktische implementatie in de context van sociale wetenschappen.
Learning objectives
- Het identificeren en evalueren van geschikte Machine Learning (ML) technieken voor verschillende onderzoeksproblemen in de sociale wetenschappen.
- Het toepassen van een reeks ML-technieken, waaronder classificatie, regressie, clustering en dimensiereductie, op gestructureerde en ongestructureerde datasets.
- Het opdoen van praktijkervaring met het implementeren van ML-methoden middels R en Rstudio.
- Het onderscheid begrijpen tussen supervised en unsupervised benaderingen en hun toepassingen.
- Het analyseren en interpreteren van de resultaten van ML-modellen om zinvolle conclusies te trekken voor onderzoeksdoeleinden.
