Toegepaste Machine Learning

Applied Machine Learning

Studiewijzer 2025/2026

Globale inhoud

The underlying question behind this course is how to algorithmically extract valuable information from raw data. Data Mining is an analytic process designed to explore data in search of consistent patterns and/or systematic relationships between variables, and then to validate the findings by applying the detected patterns to new subsets of data. The technological topics that will be covered in this course are:

• Classification algorithms
• Logistic regression
• Perceptron and neural networks
• Decision trees
• Support vector machines
• Frequent pattern matching
• Clustering algorithms

The course will further focus on the experimental setup that allows the evaluation of the discussed algorithms, along with practical issues such as overfitting, skewed data, etc.  

Studiemateriaal

Literatuur

• * Introduction to Machine Learning with Python https://www.oreilly.com/library/view/introduction-to-machine/9781449369880/

   

  * Interactive notebook version of textbook
  https://github.com/amueller/introduction_to_ml_with_python

  
  * Supporting notebook version of Python Data Science Handbook (https://github.com/jakevdp/PythonDataScienceHandbook)
      * clone/download and have it locally on your laptop. Free.
   

Leerdoelen

• Explain basic machine learning algorithms - including their theoretical underpinning.
• Compare basic machine learning algorithms.
• Apply machine learning algorithms in simple scenarios over different datasets.
• Analyze the results of different algorithms.
• Evaluate the results of different algorithms.
• Identify and give solutions to practical issues raised during the application of machine learning algorithms, such as avoiding overfitting, data normalization, handling skewed data, etc.

Onderwijsvormen

• Hoorcollege
• Werkcollege
• Laptopcollege
• Zelfstudie
• Begeleiding/feedbackmoment

Hoorcollege, werkcollege en practicum, hands sessies, feedback op gemaakte oefeningen en tentamens.

Verdeling leeractiviteiten

Aanwezigheid

Aanvullende eisen voor dit vak:

De betreffende tekst in de studiegids is:

• Bij de werkgroepen en practica wordt de aanwezigheid geregistreerd.

Bij dit vak gelden de aanwezigheidseisen voor de werkcolleges zoals in de OER staan.

In Artikel B-4.10 van OER- B staat:

• Voor sommige studieonderdelen geldt een aanwezigheidsplicht. Wanneer dit het geval is staat dit
  aangegeven in de studiegids, en is de onderbouwing hiervan terug te vinden in de studiewijzer.

In Artikel A-3.2.3 van het OER-A staat:

• Aanwezigheidsplicht is mogelijk wanneer de leerdoelen van het vak of een onderdeel daarvan
  alleen kunnen worden gerealiseerd door samen te werken en/of deel te nemen aan het onderwijs

Bij de werkgroepen stimuleren wij samenwerking. Je kunt de praktische opdrachten alleen inleveren samen met werkgroepsgenoot. Het leerdoel van dit vak is om Machine Learning  toe te passen, hetgeen geleerd wordt tijdens de werkgroepen, , hetgeen daarna getoetst wordt tijdens de deeltentamens.

Toetsing

Er zijn 2 deeltoetsen die allebei bijna even zwaar meetellen.

Opdrachten

Zie de modules en assignments op Canvas

Fraude en plagiaat

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

Weekplanning

Aanvullende informatie

1. Language: Dutch
2. Recommended prior knowledge:
   • Python programming language
   • jupyter notebooks
   • logica, verzamelingen, statistiek

Contactinformatie

Coördinator

• dr. Arnoud Visser

TA's

• Rein Lukkes
• Pim Dijkhuizen