Learning and Decision Making
5 EC
Semester 1, periode 3
5082LEBE5Y
| Eigenaar | Bachelor Kunstmatige Intelligentie |
| Coördinator | dr. Iris Groen |
| Onderdeel van | Bachelor Kunstmatige Intelligentie, jaar 2Bachelor Bèta-gamma, major Kunstmatige Intelligentie, jaar 3 |
In deze cursus leren studenten om Machine Learning technieken toe te passen in een praktisch probleem. Het vak is direct gerelateerd aan het vak ‘Leren’, waar de studenten kennis maken met de theoretische aspecten van Machine Learning technieken. Om een verder begrip te krijgen van deze technieken, wordt van de studenten verwacht dat ze deze technieken aanpassen en toepassen op een probleem uit de echte wereld.
Deze problemen, en de daarbij behorende datasets, worden geleverd door externe organisaties; dit zijn bijvoorbeeld bedrijven of onderzoeksinstituten. De problemen verschillen ieder jaar en vooraf is er nog geen perfect oplossing voor dit probleem. De studenten werken in groepjes van vier voor een periode van vier weken (full-time). Gedurende deze periode plannen de studenten hun eigen samenwerking, maar communiceren ze ook helder met de TA’s en andere belanghebbenden. Als eindproduct geven de studenten een presentatie aan deze belanghebbenden, en leveren ze een verslag in over hun bevindingen tijdens het project.
Op Canvas is een leerwijzer gepubliceerd waarin onderstaande informatie ook terug te vinden is.
Het vak wordt in de eerste week van het blok gestart met een hoorcollege. In het begin van deze week zullen de organisaties hun probleem presenteren en de dataset overhandigen aan de studenten (kick-offs). Bij iedere organisatie zijn vier groepjes (van elk vier studenten) aangesloten, die allemaal begeleid worden door één TA. Iedere maandag en donderdag hebben de groepjes een meeting met deze TA, waarbij ze hun voortgang en planning bespreken. Daarnaast is er iedere woensdag een vragenuur met de cursuscoördinator (Iris Groen) om technische of organisatorische problemen te bespreken. In de eindpresentaties presenteren de groepjes hun bevindingen en daarmee ontwikkelen en demonstreren ze hun communicatie skills.
Activiteit | Uren | |
Hoorcollege | 2 | |
Presentatie | 2 | |
Project | 2 | |
Vragenuur | 8 | |
Werkcollege | 12 | |
Zelfstudie | 114 | |
Totaal | 140 | (5 EC x 28 uur) |
Aanwezigheidseisen opleiding (OER-B):
Aanvullende eisen voor dit vak:
Studenten zijn verplicht aanwezig te zijn bij de kick-off van hun project, de TA meetings en de eindpresentaties. Als hier om een belangrijke, geldige redenen niet aan voldaan kan worden dient contact gezocht te worden met de studie-adviseur om een uitzondering aan te vragen.
| Onderdeel en weging | Details |
|
Eindcijfer | |
|
0.15 (15%) Professionalism | Moet ≥ 5 zijn |
|
0.25 (25%) Presentation | Moet ≥ 5 zijn |
|
0.6 (60%) Report | Moet ≥ 5 zijn |
Het eindcijfer voor het vak is als volgt opgebouwd:
De criteria voor deze deelcijfers kunnen worden gevonden in de Rubric. De cijfers worden bepaald aan de hand van de inzichten van de TA’s, de organisaties en de docenten.
Voor ieder van deze drie onderdelen (professionalisme, eindpresentatie, eindverslag) geldt een minimumcijfer van een 5. Het minimum van het eindcijfer is een 5.5.
Er is voor dit vak geen herkansingsmogelijkheid.
Professionalisme:
Dit cijfer wordt bepaald aan de hand van de volgende onderwerpen:
De exacte boordelingscriteria zijn te vinden in de Rubric, en het wordt aangeraden om deze nauwkeurig te volgen.
Presentations:
De eindpresentatie wordt gegeven voor de docenten, de betrokken organisatie en alle groepjes die aan hetzelfde project gewerkt hebben. De presentatie zal ongeveer 15 minuten duren, waarvan de laatste 3-5 minuten beschikbaar zijn voor vragen van het publiek. In de presentatie moet het probleem en de geïmplementeerde oplossing besproken worden; zie de Rubric voor de exacte beoordelingscriteria.
Report:
Het eindverslag, van maximaal 8000 woorden, vormt de afsluiting van het project en hierin wordt het probleem, de verzamelde data en de voorgestelde oplossing gepresenteerd. Je hebt de keuze om het verslag in het Engels of Nederlands te schrijven, en het is een gezamenlijke inspanning van de groep. Op Canvas vind je uitbreide informatie en ondersteuning voor het schrijven van het verslag. Hierbij horen onder andere een handige checklist, gedetailleerde instructies en enkele voorbeeldverslagen van voorgaande jaren.
Geschiktheid van de oplossing:
Het beoordelen van de geschiktheid van de oplossing wordt bepaald door hoe goed deze aansluit bij het probleem van de organisatie. Zo kan een hele elegante oplossing voor een verkeerd probleem leiden tot een lagere beoordeling. Deze beoordeling wordt gebaseerd op de Rubric van het eindverslag, maar omvat ook input van de TA en de organisatie op de presentatie.
Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl
| Weeknummer | Onderwerpen | Studiestof |
| 1 |
Hoorcollege met refresher Machine Learning technieken en praktische voorbeelden |
|
| 2 | Twee progress meetings met TAs | |
| 3 | Twee progress meetings met TA, indienen draft Report | |
| 4 | Laatste progress meeting met TA, Presentaties, Report deadline |
Voor dit vak is het belangrijk dat je voorkennis hebt over machine learning (bijv. door het vak 'Leren' gevolgd te hebben) en dat je programmeervaardigheid hebt (zoals je leert tijdens verscheidene vakken in de bachelor KI). Dit is essentieel om uit dit vak een nuttige en plezierige leerervaring te halen. Als je 'Leren' niet gevolgd hebt of verwacht niet te halen, raden we je aan deze cursus niet te doen.