- De student begrijpt de fundamentele concepten in machine learning, zoals classificatie/regressie; supervised/unsupervised learning; error functies; trainingsfout/testfout/overfitting).
- De student heeft kennis van een aantal basis machine learning algoritmes (o.m. naaste-buur classificatie, lineaire regressie, en principal component analyse) en is in staat deze toe te passen.
- De student begrijpt het principe van error-functie minimalisatie en is hiermee in staat om voor een brede klasse van modellen zoals lineaire modellen en neurale netwerken trainingsalgoritmes af te leiden.
- De student heeft inzicht in de relatie tussen machine learning en concepten uit de (Bayesiaanse) statistiek en kansrekening, zoals de maximum likelihood schatting en de Bayesiaanse interpretatie van regularisatie.
|
|
Dit vak geeft een inleiding in machine learning. We beginnen met de basis concepten en gaan in Python en scikit-learn een aantal bekende algoritmes onderzoeken en toepassen. Vervolgens wordt in meer detail naar de algoritmes gekeken en hoe deze afgeleid kunnen worden. Hierbij wordt een link gelegd met het probabilistisch perspectief. Dit perspectief is zeer generiek en is momenteel dominant in de robotiek, vision, kunstmatige intelligentie en modellering van de hersenen. De cursus geeft een eerste inleiding in dit fascinerende onderwerp.
Instructional Modes
Hoorcollege; Werkcollege en Computeropdrachten
|
|
|
Lineaire algebra; Calculus; Python (numpy)
|
|
Tentaminering bestaat uit een gewogen gemiddelde van schriftelijk examen en computer- en werkcollegeopgaven |
|
De cursus is geschikt voor bachelor studenten natuurkunde of wiskunde. De cursus wordt in de Master fase vervolgd door een college Machine Learning waarin onderwerp verder wordt uitgediept.
|
|