| 1 | Advanced Parallel Programming | WMCS020-05 |
|
|
| terug naar boven |
| |
| 2 | Advanced self-organisation of social systems | WMBY017-05 |
Processes of selforganisation occur at all levels of a system. For instance, in a group of individuals they take place at the level of
the cognition of the individual, of its behaviour and of the behaviour of the group. Selforganisation implies that cognitively simple
rules at the level of the individual (the so-called micro-level) may lead to complex behaviour at a higher level (the macro-level). The
emergence of patterns in a computer model often leads to unexpected new insights. Note that, the other way around, by observing
the complex behaviour at a higher level, it is impossible to discover the behavioural rules that operate at a lower level. In this
course models of selforganisation of the social phenomena will be treated, such as: swarming by fish and birds, with and without
attacks by predators; grouping and foraging behaviour by social insects and primates; nest building by insects, task division in insects; social learning and behaviour of fish and corvids; social structure (despotic and egalitarian), and cultural transmission in primates and humans.
Individual-based models will be discussed and taught.
The practical work closely follows the contents of the daily lectures. Students will use Excel-spreadsheets and the program Netlogo.
In the last part of the course, students work on a modeling project of their own or in pairs. They can work out their own ideas or choose from the projects that are offered. The work is to be rounded off with a presentation. |
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | prof. dr. C.K. Hemelrijk | | Docent(en) | prof. dr. C.K. Hemelrijkprof. dr. G.S. van Doorn | | Onderwijsvorm | Practisch werk (PRC), Werkcollege (T), Hoorcollege (LC) | | Toetsvorm | Mondeling tentamen (OR), Opdracht (AST), Presentatie (P) | | ECTS | 5 | | Entreevoorwaarden | This course can be followed as a sequel to the bachelor course “ Selforganization of ecological and social systems”. The course is also meant for students from other fields, e.g. those of artificial intelligence and sociology | | Opmerkingen | Capacity: maximal 40 students |
|
| terug naar boven |
| |
| 3 | Advanced Topics in Security and Privacy | WMCS001-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | F. Turkmen, PhD. | | Docent(en) | F. Turkmen, PhD. | | Onderwijsvorm | Hoorcollege (LC), Opdracht (ASM), Practisch werk (PRC) | | Toetsvorm | Opdracht (AST), Practisch werk (PR), Presentatie (P) | | ECTS | 5 |
|
| terug naar boven |
| |
| 4 | Contemporary Statistics with Applications (22/23) | WMMA015-05 |
|
|
| terug naar boven |
| |
| 5 | Fitting dynamical models to data | WMIE007-05 |
|
|
| terug naar boven |
| |
| 6 | Image Processing | WMCS008-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. A. Meijster | | Docent(en) | J. Guo, PhD.dr. A. Meijster | | Onderwijsvorm | Hoorcollege (LC), Practisch werk (PRC) | | Toetsvorm | Practisch werk (PR), Schriftelijk tentamen (WE) | | ECTS | 5 |
|
| terug naar boven |
| |
| 7 | In-company or Research Internship (CS) | WMCS021-15 |
|
|
| terug naar boven |
| |
| 8 | Information Systems | WMCS009-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. G. Azzopardi | | Docent(en) | dr. G. Azzopardi Guest lecturer | | Onderwijsvorm | Bijeenkomst (S), Hoorcollege (LC), Opdracht (ASM) | | Toetsvorm | Practisch werk (PR), Schriftelijk tentamen (WE) | | ECTS | 5 |
|
| terug naar boven |
| |
| 9 | Introduction to Data Science | WMCS002-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | prof. dr. K. Bunte | | Docent(en) | prof. dr. K. Bunte M. Mohammadi | | Onderwijsvorm | Bijeenkomst (S), Hoorcollege (LC), Practisch werk (PRC) | | Toetsvorm | Opdracht (AST), Schriftelijk tentamen (WE) | | ECTS | 5 |
|
| terug naar boven |
| |
| 10 | Learning from Data | LIX016M05 |
| Dit is een cursus over hoe modellen te leren van (grote hoeveelheden) data, met specifieke aandacht voor taaldata en Natural Language Processing (NLP) toepassingen. De cursus brengt een evenwicht theorie en praktijk, door zowel conceptuele als implementatie aspecten te behandelen. Dit is geen theoretische cursus over de wiskundige aspecten van leren, eerder een cursus gericht op het uitrusten van de studenten met praktische vaardigheden om machine learning experimenten uit te voeren, voortbouwend op een solide theoretische achtergrond. Theorie wordt behandeld tijdens de lezingen, die de belangrijkste kwesties en onderwerpen in verband met machinaal leren voor NLP, zoals de algemene instellingen van een leerexperiment, de belangrijkste algoritmen gebruikt in classificatie, zowel supervised als unsupervised (Naive Bayes, Decision Trees, SVM, KNN, lineaire regressie, perceptron, clustering), en het concept van feature en feature selectie. Ook evaluatiekwesties worden geïntroduceerd, zoals metriek, maar ook foutinterpretatie, om te begrijpen wat er fout gaat in theorie en praktijk (overfitting, hoeveelheid trainingsdata). Semi-gesuperviseerd leer technieken zoals leren op afstand actief leren en co-training worden ook besproken. We wijden ook twee volle weken aan de introductie van Neurale Netwerken en het werken ermee. Implementatie komt aan bod in de wekelijkse opdrachten, altijd gerelateerd aan de onderwerpen die in de les behandeld worden, die tijdens de Labs besproken en uitgewerkt worden. De studenten zullen leren om ML bibliotheken te gebruiken die Python van nature gebruiken, zoals NLTK en Scikit Learn. Voor de Neurale Netwerk-gerelateerde delen van de cursus, zullen we gebruik maken van de Keras en Gensim bibliotheken. Een laatste groter project zorgt ervoor dat zowel theorie als praktijk worden gebruikt om een werkend systeem op een echt (NLP) probleem. |
|
| terug naar boven |
| |
| 11 | Machine Learning | WMAI010-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | prof. dr. H. Jaeger | | Docent(en) | prof. dr. H. Jaeger | | Onderwijsvorm | Hoorcollege (LC), Opdracht (ASM), Practisch werk (PRC), Werkcollege (T) | | Toetsvorm | Schriftelijk tentamen (WE), Verslag (R) | | ECTS | 5 |
|
| terug naar boven |
| |
| 12 | Master Thesis | WMCS901-30 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Docent(en) | | | Onderwijsvorm | Practisch werk (PRC) | | Toetsvorm | Presentatie (P), Verslag (R), Practisch werk (PR) | | ECTS | 30 |
|
| terug naar boven |
| |
| 13 | Modelling and Simulation | WMCS003-05 |
|
|
| terug naar boven |
| |
| 14 | Natural Language Processing | LIX001M05 |
| Deze cursus biedt een inleiding in de Natuurlijke-taalverwerking op een fundamenteel niveau. Verschillende fundamentele onderwerpen komen aan bod, zoals N-gram taalmodellen, Part-of-Speech tagging, Parsing, Neurale Netwerken for sequence modeling en sequence-to-sequence taken. |
| Faculteit | Letteren | | Voertaal | Engels | | Coordinator | A. Bisazza, PhD. | | Docent(en) | A. Bisazza, PhD. student-assistent | | Onderwijsvorm | computerpracticum, hoorcollege | | Toetsvorm | opdrachten, presentatie, verslag | | ECTS | 5 | | Entreevoorwaarden | Bachelor Informatiekunde of bachelor Kunstmatige Intelligentie of vergelijkbare opleiding op bachelor-niveau. | | Opmerkingen | De student Informatiekunde kiest twee van de volgende vier mogelijkheden: Natural Language Processing; Advanced Webtechnology; Computer-Mediated Communication; Machinaal Leren plus een Ma-keuzeonderdeel van buiten de opleiding. Studenten Informatiekunde die het vak Machinaal Leren willen kiezen moeten van tevoren contact opnemen met de studieadviseur. |
|
| terug naar boven |
| |
| 15 | Neural Networks and Computational Intelligence | WMCS010-05 |
|
|
| terug naar boven |
| |
| 16 | Pattern Recognition for CS | WMCS011-05 |
|
|
| terug naar boven |
| |
| 17 | Robotics for IEM | WMIE005-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | prof. dr. ir. M. Cao | | Docent(en) | prof. dr. ir. M. Cao | | Onderwijsvorm | Hoorcollege (LC), Practisch werk (PRC), Werkcollege (T) | | Toetsvorm | Verslag (R), Schriftelijk tentamen (WE) | | ECTS | 5 |
|
| terug naar boven |
| |
| 18 | Scalable Computing | WMCS017-05 |
|
|
| terug naar boven |
| |
| 19 | Scientific Visualization | WMCS018-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. S.D. Frey | | Docent(en) | dr. S.D. Frey | | Onderwijsvorm | Hoorcollege (LC), Practisch werk (PRC) | | Toetsvorm | Meerkeuze toets (MC), Practisch werk (PR) | | ECTS | 5 |
|
| terug naar boven |
| |
| 20 | Software Defined Networking | WMCS023-05 |
|
|
| terug naar boven |
| |
| 21 | Software Maintenance and Evolution | WMCS013-05 |
|
|
| terug naar boven |
| |
| 22 | Statistical genomics (21/22) | WMMA008-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. J.P. Trapman | | Docent(en) | dr. J.P. Trapman | | Onderwijsvorm | Hoorcollege (LC), Opdracht (ASM), Practisch werk (PRC) | | Toetsvorm | Opdracht (AST), Verslag (R) | | ECTS | 5 |
|
| terug naar boven |
| |
| 23 | Statistical Signal Processing | WMAS011-05 |
|
|
| terug naar boven |
| |
| 24 | Student Colloquium (Computing Science) | WMCS019-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. R. Smedinga | | Docent(en) | prof. dr. M. Biehldr. R. Smedinga | | Onderwijsvorm | Bijeenkomst (S), Hoorcollege (LC), Opdracht (ASM), Practisch werk (PRC), Werkcollege (T) | | Toetsvorm | Practisch werk (PR), Presentatie (P), Verslag (R) | | ECTS | 5 |
|
| terug naar boven |
| |
| 25 | Systems engineering | WMIE021-05 |
|
| Faculteit | Science and Engineering | | Voertaal | Engels | | Coordinator | dr. N.B. Szirbik | | Docent(en) | dr. N.B. Szirbik | | Onderwijsvorm | Hoorcollege (LC), Werkcollege (T) | | Toetsvorm | Presentatie (P), Opdracht (AST) | | ECTS | 5 |
|
| terug naar boven |
| |
| 26 | Web and Cloud Computing | WMCS005-05 |
|
|
| terug naar boven |
| |
Login
English
Nederlands