Neurale Netwerken en Deep Learning. Tijmen Blankevoort

Maat: px
Weergave met pagina beginnen:

Download "Neurale Netwerken en Deep Learning. Tijmen Blankevoort"

Transcriptie

1 Neurale Netwerken en Deep Learning Tijmen Blankevoort

2 De toekomst - Internet of Things

3 De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling onderzoek

4 Big Data Heel veel data Wat te doen met de data? Nu al: youtube/facebook

5 Probleemstelling - Machine learning Classificatie

6 Classificatie definitie Wereld, targets Voorbeelden random getrokken Targets Extrapolatie? Vind:

7 Classificatie - Wat voor vragen Wat is dit plaatje? Wat is dit geluid? Wat is de kans dat klant klikt? (Regressie)

8 Big data classificatie Veel data Mogelijkheden! Weinig informatie

9 Big data algoritme? Gebruik veel data schaalt Parallelizeerbaar Complexe verbanden

10 Classificatie - Vroeger Support Vector Machines Random Forests

11 Classificatie plaatjes - Vroeger De oude computer vision manier

12 Eigen features bouwen De oude computer vision manier: Bouw je eigen features. Schaalt niet Kost veel tijd Expert systemen 1970s?

13 Big data algoritme? Gebruik veel data schaalt Parallelizeerbaar Complexe verbanden Mogelijkheid big data: Zelf features vinden!

14 Begrijp een plaatje! Leer concepten, geen truukjes!

15 Deep Learning Machine learning Gebruik Neurale Netwerken! - Big Data - Leer extreem complexe problemen - Leert features automatisch Een nieuw machine learning tijdperk

16 Deep learning wint alle competities - IJCNN 2011 Verkeersborden - ISBI 2012 Cel segmentatie - ICDAR 2011 Chinese handschrift herkenning

17 Applications Veel state of the art systemen gebruiken tegenwoordig Deep Learning - IBMs Watson: Jeopardy Google s zelf-rijdende auto - Google Glasses - Facebook gezichtsherkenning - Facebook modelleren gebruikers - Netflix recommender

18 Google Brain (2011) - 10 miljoen youtube plaatjes - 1 miljard parameters processoren - Unsupervised stap! categorieen % correct

19 Biologische inspiratie Neuron

20 Neuron computer model

21 Activatie functie Sigmoid activation function

22 Neuron computer model

23 Simpele functies met een neuron

24 Complexere Functies - XOR

25 Elke functie is te representeren! Combinatie van logische functies - Elke logische functie Netwerk met 1 hidden layer en sigmoid activatie - Elke continue functie

26 Trainen van een neuraal netwerk - Gewichten random initialiseren - Geef de datapunten 1 voor 1 - Bereken verschil tussen output netwerk en gegeven output - Update de gewichten (gradient descent) - Doe dit meerdere keren voor de hele dataset - Eind resultaat: Gegeven nieuwe input, netwerk geeft output Trainen is een zoektocht naar de goede gewichten.

27 Neurale netwerken in de jaren 90 - Leren meerdere lagen - Back propagation - Netwerk kan theoretisch gezien elke functie leren Maar... Erg langzaam en inefficient - Machine learning vergeet neurale netwerken en aandacht op SVM s, random forests etc.

28 Big Data - Deep learning (2006) - Feature representatie! - Erg grote netwerken (complex) - Groot netwerk = veel data Probleem: Normale backpropagation werkt niet goed voor grote netwerken!

29 Deep learning (2006) - Precies dezelfde netwerken als voorheen, alleen veel groter! - Combinatie van drie factoren: - (Big data) - Betere algoritmes - Parallel computing (GPU)

30 Betere train methode Restricted Boltzmann machine Pre-training: Initialiseer het netwerk slim Daarna normaal trainen. We knippen het grote netwerk in paartjes.

31 Restricted Boltzmann Machine Twee verbonden lagen (bipartiet) Zelfde als twee lagen neuraal netwerk Generatief stochastisch neuraal netwerk dat een probabiliteits distributie leert over de inputs Deze gaan we unsupervised trainen

32 Restricted Boltzmann Machine Eindresultaat: Resultaten dienen hetzelfde te zijn

33 Restricted Boltzmann Machine Input Kans hidden input

34 Restricted Boltzmann Machine Input Kans hidden input

35 Contrastive Divergence Pak een input uit je data Start met binary train input op de visible vector Trek alles random Bereken de weight update Rinse and repeat Unsupervised!

36 Contrastive Divergence It relies on an approximation of the gradient (a good direction of change for the parameters) of the log-likelihood (the basic criterion that most probabilistic learning algorithms try to optimize) based on a short Markov chain (a way to sample from probabilistic models) started at the last example seen.

37 Layer 1 Richar Socher, Yoshua Bengio and Chris Manning. Deep Learning for NLP (without magic), ACL 2012

38 Toepassen op elke laag

39 Next Layers Layer 3 Layer 2 Layer 1 Richar Socher, Yoshua Bengio and Chris Manning. Deep Learning for NLP (without magic), ACL 2012

40 De beste feature extractor?!

41 De beste feature extractor?!

42 Na pre-trainen Na unsupervised pre-trainen: Back propagation toepassen en klaar!

43 Deep learning (2006) - Combinatie van drie factoren: - (Big data) - Betere algoritmes - Parallel computing (GPU)

44 Gebruik de GPU

45 Parallel (GPU) power - Elke set weights kunnen we opslaan als een matrix (w_ij) - Alle neurale netwerk berekeningen gebeuren parallel per laag (15-80 keer sneller op GPU dan op enkele CPU) - Batch updates - CPU parallelizing ook mogelijk

46 Deep Learning = de toekomst Complexe verbanden Zelf features vinden Gebruik veel data schaalt Parallelizeerbaar

47 Toekomst van Deep Learning - Explosie aan nieuw onderzoek - Hessian-Free networks (2010) - Long Short Term Memory (2011) - Large Convolutional nets, max-pooling (2011) - Nesterov s Gradient Descent (2013) - Dropout

48 Toekomst door Deep Learning Veel intelligentere systemen Verregaande automatisering

Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016

Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016 AI Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Hersenen De menselijke

Nadere informatie

Machinaal leren, neurale netwerken, en deep learning

Machinaal leren, neurale netwerken, en deep learning Machinaal leren, neurale netwerken, en deep learning Prof. dr. Tom Heskes KNAW-symposium Go en machinale intelligentie 11 oktober, 2016 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren

Nadere informatie

Artificial Intelligence. Tijmen Blankevoort

Artificial Intelligence. Tijmen Blankevoort Artificial Intelligence Tijmen Blankevoort Een intelligente revolutie Live spraak vertaling (Skype 2015) Zelfrijdende auto s (Meerdere bedrijven) Jeopardy winst (IBM 2013) Professioneel Go (Google 2016)

Nadere informatie

Inleiding Adaptieve Systemen Hoofdstuk 4: Neurale netwerken

Inleiding Adaptieve Systemen Hoofdstuk 4: Neurale netwerken Inleiding Adaptieve Systemen Hoofdstuk 4: Neurale netwerken Cursusjaar 2012-2013 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 12 Juni 2015

Nadere informatie

Smart Vision! Van Neuroscience naar Deep Learning (en terug) Sander Bohté CWI Life Sciences VIA AwesomeIT, April 10th 2015

Smart Vision! Van Neuroscience naar Deep Learning (en terug) Sander Bohté CWI Life Sciences VIA AwesomeIT, April 10th 2015 Smart Vision! Van Neuroscience naar Deep Learning (en terug) Sander Bohté CWI Life Sciences VIA AwesomeIT, April 10th 2015 Deep Learning SIR EDMUND / 28 MAART 2015 Braaf, computer De Facebooks en Googles

Nadere informatie

Transparanten bij het vak Inleiding Adaptieve Systemen: Introductie Machine Leren. M. Wiering

Transparanten bij het vak Inleiding Adaptieve Systemen: Introductie Machine Leren. M. Wiering Transparanten bij het vak Inleiding Adaptieve Systemen: Introductie Machine Leren. M. Wiering Lerende Machines Verbeter in taak T, Voorbeeld: je ziet de karakteristieken (Features) van een aantal dieren

Nadere informatie

d(w j, x i ) d(w l, x i ) Voorbeeld

d(w j, x i ) d(w l, x i ) Voorbeeld Transparanten bij het vak Inleiding Adaptieve Systemen: Unsupervised Leren/ Self organizing networks. M. Wiering Unsupervised Learning en Self Organizing Networks Leerdoelen: Weten wat unsupervised learning

Nadere informatie

Personiceren van stemmen met Deep Learning

Personiceren van stemmen met Deep Learning Personiceren van stemmen met Deep Learning Kan het Nationaal Archief straks teksten voorlezen met de stem van Joop den Uyl? Esther Judd-Klabbers 20 September 2016 Overzicht Introduction Statistische Parametrische

Nadere informatie

AI Kaleidoscoop. College 12: Subsymbolische methoden. Twee scholen. Leeswijzer: Performance cliff (2) Performance cliff

AI Kaleidoscoop. College 12: Subsymbolische methoden. Twee scholen. Leeswijzer: Performance cliff (2) Performance cliff AI Kaleidoscoop College 2: Subsymbolische methoden Neurale Netwerken Genetische Algorithmen Leeswijzer:.-.3 + 2. AI2 Twee scholen Physical Symbol systems = formele operaties op symbool-structuren, geïnspireerd

Nadere informatie

Tentamen in2205 Kennissystemen

Tentamen in2205 Kennissystemen TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 21 Januari 2010, 14:0017:00 Dit tentamen heeft 5 meerkeuzevragen in totaal goed voor 10 punten

Nadere informatie

Opdracht 2 Het Multilayer Perceptron

Opdracht 2 Het Multilayer Perceptron Opdracht 2 Het Multilayer Perceptron Doel: - Inzicht verkrijgen in een neuraal netwerk (het multilayer perceptron). - Begrijpen van het backpropagation algoritme. - Een toepassing van een neuraal netwerk

Nadere informatie

Oplossingen Datamining 2II15 Juni 2008

Oplossingen Datamining 2II15 Juni 2008 Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:

Nadere informatie

Het XOR-Netwerk heeft lokale Minima

Het XOR-Netwerk heeft lokale Minima Het 2-3- XOR-Netwerk heet lokale Minima Ida G. Sprinkhuizen-Kuyper Egbert J.W. Boers Vakgroep Inormatica RijksUniversiteit Leiden Postbus 952 2300 RA Leiden {kuyper,boers}@wi.leidenuniv.nl Samenvatting

Nadere informatie

Cover Page. The handle holds various files of this Leiden University dissertation.

Cover Page. The handle  holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/29764 holds various files of this Leiden University dissertation. Author: Takes, Frank Willem Title: Algorithms for analyzing and mining real-world graphs

Nadere informatie

Cover Page. The handle holds various files of this Leiden University dissertation

Cover Page. The handle  holds various files of this Leiden University dissertation Cover Page The handle http://hdl.handle.net/1887/28464 holds various files of this Leiden University dissertation Author: Jeroen Bédorf Title: The gravitational billion body problem / Het miljard deeltjes

Nadere informatie

Hoe maak ik mijn datacenterinfrastructuur cloud ready? Door: Bart Nieuwenhuis

Hoe maak ik mijn datacenterinfrastructuur cloud ready? Door: Bart Nieuwenhuis Hoe maak ik mijn datacenterinfrastructuur cloud ready? Door: Bart Nieuwenhuis Application: Data Center Fire Pump Controller Chillers Surge Protection Automatic Transfer Switch Uninterruptible Power Supplies

Nadere informatie

Tentamen in2205 Kennissystemen

Tentamen in2205 Kennissystemen TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 03 Juli 2009, 14:0017:00 Dit tentamen heeft 5 meerkeuzevragen in totaal goed voor 10 punten

Nadere informatie

AI & Big Data bij Defensie

AI & Big Data bij Defensie AI & Big Data bij Defensie Max Welling Universiteit van Amsterdam, AMLAB, QUVA Canadian Institute for Advanced Research (CIFAR) Co-founder Scyfer Overzicht Machine Learning & Deep Learning 101 Toepassingen

Nadere informatie

Agenda. Voorstellen. Uw applicatie. Technische context. Project aanpak

Agenda. Voorstellen. Uw applicatie. Technische context. Project aanpak Agenda Voorstellen Uw applicatie Technische context Project aanpak Batenburg Data Vision X-Ray UV VIS NIR SWIR MWIR LWIR X-Ray Ultra Violet Visible Near IR Short Wave Mid Wave Long Wave 0.01-10 nm 10-400

Nadere informatie

Tentamen in2205 Kennissystemen

Tentamen in2205 Kennissystemen TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 21 Januari 2008, 14:00 17:00 Het gebruik van boek of aantekeningen tijdens dit tentamen is

Nadere informatie

Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie

Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie Parking Surveillance foreground/background segmentation - objectherkenning Examen Beeldverwerking Pieter Vancoillie Doel van het (deel)project Uit beelden van een camera voetgangers, fietsers en auto s

Nadere informatie

Wat kan klantcontact met kunstmatige intelligentie?

Wat kan klantcontact met kunstmatige intelligentie? 13 oktober 2016 Wat kan klantcontact met kunstmatige intelligentie? De gemiddelde smartphone van nu is al viermaal zo krachtig als de computers die nodig waren om in 1969 de Apollo11- raket op de maan

Nadere informatie

Data Mining: Classificatie

Data Mining: Classificatie Data Mining: Classificatie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht Wat is classificatie? Leren van een beslissingsboom. Problemen

Nadere informatie

von-neumann-architectuur Opbouw van een CPU Processoren 1 december 2014

von-neumann-architectuur Opbouw van een CPU Processoren 1 december 2014 von-neumann-architectuur Opbouw van een CPU Processoren 1 december 2014 Herhaling: Booleaanse algebra (B = {0,1},., +, ) Elke Booleaanse functie f: B n B m kan met., +, geschreven worden Met Gates (electronische

Nadere informatie

Aantekeningen Ch. 4 Artificial neural networks

Aantekeningen Ch. 4 Artificial neural networks Aantekeningen Ch. 4 Artificial neural networks Gerard Vreeswijk Samenvatting Dit zijn aantekeningen gemaakt die ik in 1998 heb gemaakt i.h.k. van een college Machine Learning aan de Universiteit van Groningen.

Nadere informatie

Intelligente Spelen. Pieter Spronck. TouW Informatica Symposium, Open Universiteit, Universiteit van Tilburg

Intelligente Spelen. Pieter Spronck. TouW Informatica Symposium, Open Universiteit, Universiteit van Tilburg Intelligente Spelen Pieter Spronck Open Universiteit, Universiteit van Tilburg TouW Informatica Symposium, 13-11-2010 Wat is kunstmatige intelligentie? Kunstmatige intelligentie Kunstmatige intelligentie

Nadere informatie

het leren van hiërarchieën van tijdsschalen met diepe recurrente neurale netwerken

het leren van hiërarchieën van tijdsschalen met diepe recurrente neurale netwerken het leren van hiërarchieën van tijdsschalen met diepe recurrente neurale netwerken Brecht Coghe Promotor: prof. dr. ir. Benjamin Schrauwen Begeleiders: dr. ir. Michiel Hermans, Philémon Brakel Masterproef

Nadere informatie

Datagedreven sturen, en hoe dan ZGW?

Datagedreven sturen, en hoe dan ZGW? Datagedreven sturen, en hoe dan ZGW? Henk Wesseling,The Next Step 22 September 2016 Datagedreven sturing is 2 AI 3 4 Smart City 5 Big data monitor Business Intelligence 6 Datagroei, sensoren, cloud en

Nadere informatie

' entamen TI2730-B - Computational Intelligence..N Kennissystemen. 09-nov-2012, 14:00-17:00

' entamen TI2730-B - Computational Intelligence..N Kennissystemen. 09-nov-2012, 14:00-17:00 TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica TUDelft ' entamen TI2730-B - Computational Intelligence..N2205 - Kennissystemen 09-nov-2012, 14:00-17:00 e Dit tentamen

Nadere informatie

Quick scan method to evaluate your applied (educational) game. Validated scales from comprehensive GEM (Game based learning Evaluation Model)

Quick scan method to evaluate your applied (educational) game. Validated scales from comprehensive GEM (Game based learning Evaluation Model) WHAT IS LITTLE GEM? Quick scan method to evaluate your applied (educational) game (light validation) 1. Standardized questionnaires Validated scales from comprehensive GEM (Game based learning Evaluation

Nadere informatie

LDA Topic Modeling. Informa5ekunde als hulpwetenschap. 9 maart 2015

LDA Topic Modeling. Informa5ekunde als hulpwetenschap. 9 maart 2015 LDA Topic Modeling Informa5ekunde als hulpwetenschap 9 maart 2015 LDA Voor de pauze: Wat is LDA? Wat kan je er mee? Hoe werkt het (Gibbs sampling)? Na de pauze Achterliggende concepten à Dirichlet distribu5e

Nadere informatie

Reducing catastrophic interference

Reducing catastrophic interference Reducing catastrophic interference in FeedForward BackPropagation networks Stan Klabbers & Anne Doggenaar 0100714 0164453 Bachelor project Kunstmatige Intelligentie Universtiteit van Amsterdam Begeleider:

Nadere informatie

256 kb Memory in NMS 8250, 8255 and 8280

256 kb Memory in NMS 8250, 8255 and 8280 256 kb Memory in NMS 8250, 8255 and 8280 Supplied by Bastiaan Huber, 2001 Converted to PDF by HansO, 2001 Dutch text follows the english text! MEMORY-UPGRADE to 256Kb This description is only for people

Nadere informatie

#doorbraakmetmkb #doorbraakmetbigdata. High Performance Computing, Data Science & Data Storage solutions

#doorbraakmetmkb #doorbraakmetbigdata. High Performance Computing, Data Science & Data Storage solutions #doorbraakmetmkb #doorbraakmetbigdata High Performance Computing, Data Science & Data Storage solutions Overzicht Introductie - SURFsara en het bedrijfsleven - Type vraagstukken - SURFsara ICT Infractructuur

Nadere informatie

16-3-2009. college 13 philosophy of mind & cognition 19-03-2009

16-3-2009. college 13 philosophy of mind & cognition 19-03-2009 Grondslagen van de Psychologie college 13 philosophy of mind & cognition 19-03-2009 recapitulatie MR als argument tegen MBIT; Functionalisme; Functionalisme m.b.t cognitie: De eerste stappen in de AI;

Nadere informatie

informatica. hardware. overzicht. moederbord CPU RAM GPU architectuur (vwo)

informatica. hardware. overzicht. moederbord CPU RAM GPU architectuur (vwo) informatica hardware overzicht moederbord CPU RAM GPU architectuur (vwo) 1 moederbord basis van de computer componenten & aansluitingen chipset Northbridge (snel) Southbridge ("traag") bussen FSB/HTB moederbord

Nadere informatie

ZELF DENKENDE WEBSHOP

ZELF DENKENDE WEBSHOP ZELF DENKENDE WEBSHOP ARTIFICIAL INTELLIGENCE PANGAEA Digital Agency - Regulusweg 5 Den Haag - 088-6 123456 - hello@png.nl - www.webshop.ai OPBOUW PRESENTATIE WAT IS AI EN WAT GEBEURT ER IN DE WERELD VAN

Nadere informatie

TEXT ANALYTICS. Gast College https://longhowlam.wordpress.com/ https://www.linkedin.com/today/author/

TEXT ANALYTICS. Gast College https://longhowlam.wordpress.com/ https://www.linkedin.com/today/author/ TEXT ANALYTICS Gast College TouW Longhow Lam -- Data Scientist @longhowlam https://longhowlam.wordpress.com/ https://www.linkedin.com/today/author/7434679 AGENDA Inleiding Text mining & Machine learning

Nadere informatie

Hoe zet u virtualisatie slim in bij forensische onderzoeksomgevingen?

Hoe zet u virtualisatie slim in bij forensische onderzoeksomgevingen? Hoe zet u virtualisatie slim in bij forensische onderzoeksomgevingen? ir. Ronald van Vugt ronald@netwell.eu Aanleiding Deze presentatie is ontstaan naar aanleiding van een nieuw architectuur ontwerp voor

Nadere informatie

DIGITAL HEALTH. Waar consumententechnologie en traditionele gezondheidszorg elkaar raken. Frederieke Jacobs

DIGITAL HEALTH. Waar consumententechnologie en traditionele gezondheidszorg elkaar raken. Frederieke Jacobs Frederieke Jacobs Themabijeenkomst Big Data - FHI, federatie van technologiebranches 15 oktober 2015 DIGITAL HEALTH Waar consumententechnologie en traditionele gezondheidszorg elkaar raken WAAROM GROEIT

Nadere informatie

HERE TO CHANGE KNOWLEDGE MANAGEMENT

HERE TO CHANGE KNOWLEDGE MANAGEMENT 2015 HERE TO CHANGE KNOWLEDGE MANAGEMENT ONS VERHAAL WIE ZIJN WIJ knownow is een team van 6 gedreven jongens met de droom om de wereld van kennis management een stukje mooier te maken. Het is ons doel

Nadere informatie

Respondent Driven Sampling. J. Kappelhof, MOA-dag, Amsterdam

Respondent Driven Sampling. J. Kappelhof, MOA-dag, Amsterdam Respondent Driven Sampling J. Kappelhof, MOA-dag, Amsterdam Overzicht: Respondent Driven Sampling 1. Achtergrond 2. RDS 3. Voorbeeld 4. Conclusie 5. Meer weten? 2 The Netherlands institute for Social Research/SCP

Nadere informatie

Quantum computing. Dirk Nuyens. dept. computerwetenschappen KULeuven. [dirk.nuyens@cs.kuleuven.ac.be]

Quantum computing. Dirk Nuyens. dept. computerwetenschappen KULeuven. [dirk.nuyens@cs.kuleuven.ac.be] Quantum computing Dirk Nuyens [dirk.nuyens@cs.kuleuven.ac.be] dept. computerwetenschappen KULeuven qc-sim-intro.tex Quantum computing Dirk Nuyens 18/12/2001 21:25 p.1 Mijn thesis plannen Proberen een zo

Nadere informatie

High Performance Computing

High Performance Computing High Performance Computing Kristian Rietveld (krietvel@liacs.nl, kamer 138) Groep Computer Systems - Embedded systems - Specifieke software mappen op specfieke hardware. - Hardware synthesis. - Real-time

Nadere informatie

Big Data Schaalbaar rekenen

Big Data Schaalbaar rekenen Big Data Schaalbaar rekenen Big Data Niels Basjes Niels@Basjes.nl @nielsbasjes http://github.com/nielsbasjes TU-Delft Informatica Nyenrode Bedrijfskunde Zoek Suggesties Software ontwikkelaar Onderzoeker

Nadere informatie

Het computationeel denken van een informaticus Maarten van Steen Center for Telematics and Information Technology (CTIT)

Het computationeel denken van een informaticus Maarten van Steen Center for Telematics and Information Technology (CTIT) Het computationeel denken van een informaticus Maarten van Steen Center for Telematics and Information Technology (CTIT) 2-2-2015 1 Computationeel denken vanuit Informatica Jeannette Wing President s Professor

Nadere informatie

Workshop FLL. Leer robots programmeren. Marieke Peelen Lennart de Graaf Daryo Verouden -

Workshop FLL. Leer robots programmeren. Marieke Peelen Lennart de Graaf Daryo Verouden - Workshop FLL Leer robots programmeren Marieke Peelen Lennart de Graaf Daryo Verouden - 1 Student-coaches 2 FIRST LEGO League 3 FLL Core values We zijn een team We doen zelf het werk met hulp van onze coaches.

Nadere informatie

Incore Solutions Learning By Doing

Incore Solutions Learning By Doing Incore Solutions Learning By Doing Incore Solutions Gestart in November 2007 Consultants zijn ervaren met bedrijfsprocessen en met Business Intelligence Alle expertise onder 1 dak voor een succesvolle

Nadere informatie

Wilco te Winkel, Liesbeth Mantel Erasmus University Rotterdam,NL

Wilco te Winkel, Liesbeth Mantel Erasmus University Rotterdam,NL Thesaurus driven semantic search applied to structuring Electronic Learning Environments Rotterdam, EURlib symposium, November 23 2006 Wilco te Winkel, Liesbeth Mantel Erasmus University Rotterdam,NL What

Nadere informatie

FOR DUTCH STUDENTS! ENGLISH VERSION NEXT PAGE. Toets Inleiding Kansrekening 1 8 februari 2010

FOR DUTCH STUDENTS! ENGLISH VERSION NEXT PAGE. Toets Inleiding Kansrekening 1 8 februari 2010 FOR DUTCH STUDENTS! ENGLISH VERSION NEXT PAGE Toets Inleiding Kansrekening 1 8 februari 2010 Voeg aan het antwoord van een opgave altijd het bewijs, de berekening of de argumentatie toe. Als je een onderdeel

Nadere informatie

Big Data Feit of Fictie? Twitter: @BigDataStartups

Big Data Feit of Fictie? Twitter: @BigDataStartups Big Data Feit of Fictie? Mark van Rijmenam Big Data Strategist / Blogger @BigDataStartups mark@bigdata-startups.com Agenda - Big Data, waar hebben we het over? - Vijf Big Data trends die een impact zullen

Nadere informatie

AI Kaleidoscoop. College 11: Machinaal Leren. Machinaal leren: algemeen (1) Machinaal leren: algemeen (2) Machinaal leren: algemeen (3)

AI Kaleidoscoop. College 11: Machinaal Leren. Machinaal leren: algemeen (1) Machinaal leren: algemeen (2) Machinaal leren: algemeen (3) AI Kaleidoscoop College 11: Machinaal Leren Algemeen Voorbeeld Concept Learning (Version Space) Bias Leeswijzer: Hoofdstuk 10.0-10.2 + 10.4.1 AI11 1 Machinaal leren: algemeen (1) Leren betere prestaties

Nadere informatie

Stoomboot & de toekomst

Stoomboot & de toekomst Stoomboot & de toekomst W. Verkerke (ATLAS) Wat is stoomboot Gebruikers definitie van concept stoomboot Op basis van gesprekken met ATLAS/LHCb/ALICE/Astro Lokale batch faciliteit met de volgende definierende

Nadere informatie

Mobile Watch Snelle Handleiding. Bezoek voor meer informatie

Mobile Watch Snelle Handleiding. Bezoek  voor meer informatie Mobile Watch Snelle Handleiding Ⅰ. Software installatie - Software download: Zoek voor "360Eye"in de Iphone App Store en installeer de applicatie. Of scan de QR Code aan de rechterzeide. Voor meer details

Nadere informatie

Hoofdstuk 8: Algoritmen en Complexiteit

Hoofdstuk 8: Algoritmen en Complexiteit Hoofdstuk 8: Algoritmen en Complexiteit Vandaag: Hoe meten we de performance van algoritmen? Waar ligt de grens tussen een goed en een slecht algoritme? 22 oktober 2014 1 Vandaag: Hoe meten we de performance

Nadere informatie

Settings for the C100BRS4 MAC Address Spoofing with cable Internet.

Settings for the C100BRS4 MAC Address Spoofing with cable Internet. Settings for the C100BRS4 MAC Address Spoofing with cable Internet. General: Please use the latest firmware for the router. The firmware is available on http://www.conceptronic.net! Use Firmware version

Nadere informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004.

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004. TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Beknopte uitwerking Eamen Neurale Netwerken (2L490) d.d. 11-8-2004. 1. Beschouw de volgende configuratie in het platte vlak. l 1 l 2

Nadere informatie

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan

Nadere informatie

Mobiele communicatie: reken maar!

Mobiele communicatie: reken maar! Mobiele communicatie: reken maar! Richard J. Boucherie Stochastische Operationele Research Toen : telefooncentrale Erlang verliesmodel Nu : GSM Straks : Video on demand Toen : CPU Processor sharing model

Nadere informatie

De convergentie naar gemak. Hans Bos, Microsoft @hansbos, hans.bos@microsoft.com

De convergentie naar gemak. Hans Bos, Microsoft @hansbos, hans.bos@microsoft.com De convergentie naar gemak Hans Bos, Microsoft @hansbos, hans.bos@microsoft.com ge mak (het; o) 1. kalmte, bedaardheid: iem. op zijn gemak stellen kalm laten worden 2. het vermogen iets zonder moeite te

Nadere informatie

November December 2011. Jan Meskens / Onderzoek

November December 2011. Jan Meskens / Onderzoek Jan Meskens / Onderzoek 1 Wat is "Predictive Analytics"? Historische en/of huidige data Voorspellingen over de toekomst 2 Toepassing: fraudebestrijding Opsporen fraude met aanrijdingsformulieren [SAS]

Nadere informatie

Forensisch onderzoek aan handtekeningen. Linda Alewijnse

Forensisch onderzoek aan handtekeningen. Linda Alewijnse Forensisch onderzoek aan handtekeningen Linda Alewijnse 13 november 2014 NFI - geen CSI Ministerie van Veiligheid en Justitie Opdrachtgevers zijn politie, OM, rechterlijke macht en overheden Onpartijdig

Nadere informatie

Introduction to IBM Cognos Express = BA 4 ALL

Introduction to IBM Cognos Express = BA 4 ALL Introduction to IBM Cognos Express = BA 4 ALL Wilma Fokker, IBM account manager BA Ton Rijkers, Business Project Manager EMI Music IBM Cognos Express Think big. Smart small. Easy to install pre-configured

Nadere informatie

WAT BETEKENT INDUSTRIAL DESIGN VOOR ONTWIKKELING VAN SMART PRODUCTS?

WAT BETEKENT INDUSTRIAL DESIGN VOOR ONTWIKKELING VAN SMART PRODUCTS? ELECTRONICS & AUTOMATION VOORDRACHT 3 JUNI 2015 / FLEX/theINNOVATIONLAB WAT BETEKENT INDUSTRIAL DESIGN VOOR ONTWIKKELING VAN SMART PRODUCTS? +31 (0) 15 2756666 / www.flex.nl / Elektronicaweg 22, 2628 XG,

Nadere informatie

Data Mining: Opdracht 2

Data Mining: Opdracht 2 Data Mining: Opdracht 2 7 juli 2006 Egbert Kroese (#0134252) Paul Lammertsma (#0305235) Inhoudsopgave 1. De datasets...3 1.1 Iris...3 1.2 Vote...3 1.3 Autos...4 2. De algoritmen...4 2.1 Naive Bayes...4

Nadere informatie

Het beheren van mijn Tungsten Network Portal account NL 1 Manage my Tungsten Network Portal account EN 14

Het beheren van mijn Tungsten Network Portal account NL 1 Manage my Tungsten Network Portal account EN 14 QUICK GUIDE C Het beheren van mijn Tungsten Network Portal account NL 1 Manage my Tungsten Network Portal account EN 14 Version 0.9 (June 2014) Per May 2014 OB10 has changed its name to Tungsten Network

Nadere informatie

Verschillende softwaresystemen

Verschillende softwaresystemen Verschillende softwaresystemen 4orange, 2016 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Verschillende software systemen CRM, Leadmanagement CRM Lead management tools Microsoft Dynamics CRM,

Nadere informatie

Gebruik van social media voor de officiële statistiek:

Gebruik van social media voor de officiële statistiek: Gebruik van social media voor de officiële statistiek: Een top-down (Big Data) aanpak Dr. Piet J.H. Daas Senior-Methodoloog, Big Data onderzoek coördinator en Marco Puts, Martijn Tennekes, Marco Paragini,.

Nadere informatie

Guideline End state. ING colour balance

Guideline End state. ING colour balance End state. 1 1 Customer Data Award voor ING De ING-case is een zeer aansprekend voorbeeld van implementatiekracht en innoverend vermogen. Daarnaast illustreert ING de kracht van het inzetten van meerdere

Nadere informatie

Windows Basics. yvan vander sanden. 22 februari 2015

Windows Basics. yvan vander sanden. 22 februari 2015 Windows Basics yvan vander sanden 22 februari 2015 Windows is nog altijd een veel gebruikt operating system. Als technicus moet je bekend zijn met het Windows operating system om gebruikers te kunnen helpen,

Nadere informatie

High Performance Computing

High Performance Computing High Performance Computing Kristian Rietveld (krietvel@liacs.nl, kamer 138) Groep Computer Systems High-Performance Computing Optimizing compilers (generieke codes, maar ook specifieke rekenkernels). Parallel

Nadere informatie

recursie Hoofdstuk 5 Studeeraanwijzingen De studielast van deze leereenheid bedraagt circa 6 uur. Terminologie

recursie Hoofdstuk 5 Studeeraanwijzingen De studielast van deze leereenheid bedraagt circa 6 uur. Terminologie Hoofdstuk 5 Recursion I N T R O D U C T I E Veel methoden die we op een datastructuur aan kunnen roepen, zullen op een recursieve wijze geïmplementeerd worden. Recursie is een techniek waarbij een vraagstuk

Nadere informatie

Tentamen Spraakherkenning en -synthese

Tentamen Spraakherkenning en -synthese Tentamen Spraakherkenning en -synthese Rob van Son 25 maart 2008 Vermeld op iedere pagina je naam, je studentnummer en het volgnummer per pagina. Gebruik voor elke opgave (1-5) een apart vel. Als je voor

Nadere informatie

Wegwijzer: Een geschikt medium kiezen

Wegwijzer: Een geschikt medium kiezen Wegwijzer: Een geschikt medium kiezen Vandaag de dag heb je verschillende media ter beschikking om je doelgroep te bereiken. Maar welk medium kies je? Dat hangt af van je doel, doelgroep en de context

Nadere informatie

Stap voor stap professioneler aan de slag met Google Analytics via het Web Analytics Maturity Model

Stap voor stap professioneler aan de slag met Google Analytics via het Web Analytics Maturity Model Stap voor stap professioneler aan de slag met Google Analytics via het Web Analytics Maturity Model Egan van Doorn Senior Consultant, OrangeValley 21 maart 2012 Even voorstellen Stand van zaken, Web Analytics

Nadere informatie

Automating Complex Workflows using Processing Modeler

Automating Complex Workflows using Processing Modeler Automating Complex Workflows using Processing Modeler QGIS Tutorials and Tips Author Ujaval Gandhi http://google.com/+ujavalgandhi Translations by Dick Groskamp This work is licensed under a Creative Commons

Nadere informatie

Economische Meest Voordelige Aanbieding? Maar hoe bereken je dit? Drs. Jan H Siderius MSc, jan.siderius@negometrix.

Economische Meest Voordelige Aanbieding? Maar hoe bereken je dit? Drs. Jan H Siderius MSc, jan.siderius@negometrix. Economische Meest Voordelige Aanbieding? Maar hoe bereken je dit? Drs. Jan H Siderius MSc, jan.siderius@negometrix.com, 0653 166 921, @sideriusj BRON: BesteProduct.nl KPI s, opkes prijs BRON: BesteProduct.nl

Nadere informatie

Datamining: Graven in gegevens

Datamining: Graven in gegevens Datamining: Graven in gegevens Business Intelligence in de praktijk Jasper Lansink CMG Noord Nederland - Advanced Technology Agenda Business Intelligence Datamining theorie Datamining in de praktijk management

Nadere informatie

Tussen angst en onverschilligheid: het juiste perspectief op de opkomst van artificiële intelligentie

Tussen angst en onverschilligheid: het juiste perspectief op de opkomst van artificiële intelligentie Tussen angst en onverschilligheid: het juiste perspectief op de opkomst van artificiële intelligentie Jan Broersen Masterclass Ministerie van Infrastructuur en Milieu Den Haag 18 mei 2016 We moeten niet

Nadere informatie

CREËREN VAN CLUSTERS BINNEN BOEKENDATABASES MET BEHULP VAN EEN NEURAAL NETWERK

CREËREN VAN CLUSTERS BINNEN BOEKENDATABASES MET BEHULP VAN EEN NEURAAL NETWERK 1 BACHELORTHESE CREËREN VAN CLUSTERS BINNEN BOEKENDATABASES MET BEHULP VAN EEN NEURAAL NETWERK Janina Torbecke GEDRAGSWETENSCHAPPEN HUMAN FACTORS & MEDIA PSYCHOLOGY (HFM) AFSTUDEERCOMMISSIE Prof. dr. F.

Nadere informatie

Systeemeisen Exact Compact product update 406

Systeemeisen Exact Compact product update 406 1 van 6 08-10-2013 12:07 Exact Compact Systeemeisen Exact Compact product update 406 Een pressionele administratie moet bedrijfszeker zijn. U moet er in het dagelijks gebruik snel en zonder onderbrekingen

Nadere informatie

INLEIDING. Definitie Stochastisch Proces:

INLEIDING. Definitie Stochastisch Proces: Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};

Nadere informatie

Data Driven Strategy The New Oil Using Innovative Business Models to Turn Data Into Profit

Data Driven Strategy The New Oil Using Innovative Business Models to Turn Data Into Profit Data Driven Strategy The New Oil Using Innovative Business Models to Turn Data Into Profit Big Data & Innovatieve Business Modellen Fire in the hole! 51K manholes, 94K miles of cables 106 predicting variables:

Nadere informatie

HR Good Info. Artikel HR Big Data Pagina 1 van 5

HR Good Info. Artikel HR Big Data Pagina 1 van 5 HR Good Info Big Data is hot. De kunst blijft echter: hoe maak je op een slimme manier 'good info' uit al die gegevens? Ook HR kan gebruikmaken van de kennis die op het gebied van Big Data is opgedaan

Nadere informatie

Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden.

Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden. 2 Programmeren 2.1 Computerprogramma s Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden. (=sequentie) Niet alle instructies

Nadere informatie

Enterprisearchitectuur

Enterprisearchitectuur Les 2 Enterprisearchitectuur Enterprisearchitectuur ITarchitectuur Servicegeoriënteerde architectuur Conceptuele basis Organisatiebrede scope Gericht op strategie en communicatie Individuele systeemscope

Nadere informatie

Van veel data, snelle computers en complexe modellen tot lerende machines

Van veel data, snelle computers en complexe modellen tot lerende machines Van veel data, snelle computers en complexe modellen tot lerende machines Van veel data, snelle computers en complexe modellen tot lerende machines Rede uitgesproken bij de aanvaarding van het ambt van

Nadere informatie

Trends en gevolgen voor kwaliteitsmanagement. 3 oktober 2011. de kwaliteitsmanager krijgt de handreiking met lean.

Trends en gevolgen voor kwaliteitsmanagement. 3 oktober 2011. de kwaliteitsmanager krijgt de handreiking met lean. Even voorstellen De Week van Kwaliteitsmanagement Trends en gevolgen voor kwaliteitsmanagement 3 oktober 2011 Barry Derksen Business & IT Trends Institute Barry Derksen, Directeur BITTI B.V., Bedrijf met

Nadere informatie

TW2020 Optimalisering

TW2020 Optimalisering TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 26 oktober 2016 Leo van Iersel (TUD) TW2020 Optimalisering 26 oktober 2016 1 / 28 Deze week: analyseren van algoritmes Hoe

Nadere informatie

Axoft Managed Router Rapportage

Axoft Managed Router Rapportage Axoft Managed Router Rapportage Toelichting week rapportage Als onderdeel van de Axoft managed router dienst monitoren wij 24 uur per dag, 7 dagen per week uw router en uw verbindingen. Onze bevindingen

Nadere informatie

Tentamen Data Mining

Tentamen Data Mining Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.

Nadere informatie

Stochastische Modellen in Operations Management (153088)

Stochastische Modellen in Operations Management (153088) Stochastische Modellen in Oerations Management (15388) S1 S2 Ack X ms X ms S 24 ms R1 R2 R3 L1 L2 1 ms 1 ms D Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Ravelijn H 219 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/15388/15388.html

Nadere informatie

Koptekst 08/06/2016. Overheid moet gevaren big-data analyses beperken.

Koptekst 08/06/2016. Overheid moet gevaren big-data analyses beperken. Big Data Dr. Franc Grootjen Artificial Intelligence, Radboud Universiteit f.grootjen@ai.ru.nl Uit het nieuws (NOS, 28 april) Overheid moet gevaren big-data analyses beperken. Het analyseren van grote hoeveelheden

Nadere informatie

Gebruikershandleiding POM demonstrator

Gebruikershandleiding POM demonstrator Demonstrator Gebruikershandleiding POM demonstrator De POM demonstrator is verkrijgbaar door een mailtje naar info@geo3.nl te versturen. Geo3-software uitpakken en installeren De POM demonstrator software

Nadere informatie

Classification - Prediction

Classification - Prediction Classification - Prediction Tot hiertoe: vooral classification Naive Bayes k-nearest Neighbours... Op basis van predictor variabelen X 1, X 2,..., X p klasse Y (= discreet) proberen te bepalen. Training

Nadere informatie

Agenda 26-4-2009. Wat zijn de gevolgen van Cloud en Gridcomputing voor de gebruikersorganisatie en de beheersfunctie.

Agenda 26-4-2009. Wat zijn de gevolgen van Cloud en Gridcomputing voor de gebruikersorganisatie en de beheersfunctie. Wat zijn de gevolgen van Cloud en Gridcomputing voor de gebruikersorganisatie en de beheersfunctie. John Lieberwerth Agenda Even voorstellen Cloud Computing De tien Plagen Gebruikersorganisatie en ICT

Nadere informatie

Hoe beheersen we de kwaliteit van de 3D-geprinte producten

Hoe beheersen we de kwaliteit van de 3D-geprinte producten Hoe beheersen we de kwaliteit van de 3D-geprinte producten Innovatie Event Ki< MPi, NLR MAMTeC, Terneuzen 2 mei 2017 Gerrit Kool: gerrit.kool@nlr.nl Marc de Smit: marc.de.smit@nlr.nl Inhoud Korte inleiding

Nadere informatie

Inhoud leereenheid 12. Probleemoplossen met kunstmatige intelligentie. Introductie 225. Leerkern 226. Samenvatting 250.

Inhoud leereenheid 12. Probleemoplossen met kunstmatige intelligentie. Introductie 225. Leerkern 226. Samenvatting 250. Inhoud leereenheid 12 Probleemoplossen met kunstmatige intelligentie Introductie 225 Leerkern 226 1 Neurale netwerken 226 1.1 Neuronen 228 1.1.1 Het biologische neuron 228 1.1.2 Een kunstmatig neuron 228

Nadere informatie

Find Neighbor Polygons in a Layer

Find Neighbor Polygons in a Layer Find Neighbor Polygons in a Layer QGIS Tutorials and Tips Author Ujaval Gandhi http://google.com/+ujavalgandhi Translations by Dick Groskamp This work is licensed under a Creative Commons Attribution 4.0

Nadere informatie

Gentoo linux. Introductie. Gentoo is anders. LinuxFocus article number 336 http://linuxfocus.org. door Guido Socher (homepage) Over de auteur:

Gentoo linux. Introductie. Gentoo is anders. LinuxFocus article number 336 http://linuxfocus.org. door Guido Socher (homepage) Over de auteur: LinuxFocus article number 336 http://linuxfocus.org Gentoo linux door Guido Socher (homepage) Over de auteur: Guido werkt erg graag met Gentoo omdat het hem meer controle geeft over het installatie proces.

Nadere informatie