Neurale Netwerken en Deep Learning. Tijmen Blankevoort

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Continuous Learning in Computer Vision S.L. Pintea

Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University

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

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende

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

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

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

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

Artificial Intelligence. Tijmen Blankevoort

Artificial Intelligence. Tijmen Blankevoort Artificial Intelligence Tijmen Blankevoort Scyfer Opgericht 2013 Prof. dr. Max Welling Omzet+talent verdubbeld elk jaar Scyfer maakt state-of-the-art Artificial Intelligence oplossingen voor o.a. Multinationals

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

Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren

Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2014-2015 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 17 juni

Nadere informatie

TEXT ANALYTICS 11/22/2015. Inleiding Text mining & Machine learning Ludieke voorbeelden. Twee klant cases. AGENDA

TEXT ANALYTICS 11/22/2015. Inleiding Text mining & Machine learning Ludieke voorbeelden. Twee klant cases. AGENDA 11/22/2015 TEXT ANALYTICS Gast College TouW Longhow Lam -- Data Scientist @longhowlam https://longhowlam.wordpress.com/ https://www.linkedin.com/today/author/7434679 Cop yrig ht 2012, SAS Institute Inc.

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

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

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

Ontsluiten van gesproken documenten. Arjan van Hessen

Ontsluiten van gesproken documenten. Arjan van Hessen SpraakTech Ontsluiten van gesproken documenten Arjan van Hessen spraak tekst spraak verslag emotiedetectie emotiedetectie geeft GEEN antwoord op vragen herkennen van sprekers groeperen van verschillende

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

IBM Watson Recruitment. Marieke Joustra IBM Watson Talent Technical Consultant

IBM Watson Recruitment. Marieke Joustra IBM Watson Talent Technical Consultant IBM Watson Recruitment Marieke Joustra IBM Watson Talent Technical Consultant IBM Watson bron WikipediA Watson is een supercomputer die ontwikkeld is door IBM. Hij kan een in spreektaal gestelde vraag

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

Modeling Cognitive Development on Balance Scale Phenomena[4] Replicatie van Shultz et al.

Modeling Cognitive Development on Balance Scale Phenomena[4] Replicatie van Shultz et al. Modeling Cognitive Development on Balance Scale Phenomena[] Replicatie van Shultz et al. Olaf Booij(AI); 9899 obooij@science.uva.nl 9 mei Inleiding Ik heb geprobeerd het onderzoek Modeling Cognitive Development

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

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

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

Cursus Programmeren en Dataverwerking.

Cursus Programmeren en Dataverwerking. Cursus Programmeren en Dataverwerking http://hay.github.io/codecourse Vanavond (18.00-21.30) Introductierondje Algemene introductie (60-90m) Iets over bits en bytes Iets over programmeurs en programmeertalen

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

Hopfield-Netwerken, Neurale Datastructuren en het Nine Flies Probleem

Hopfield-Netwerken, Neurale Datastructuren en het Nine Flies Probleem Hopfield-Netwerken, Neurale Datastructuren en het Nine Flies Probleem Giso Dal (0752975) 13 april 2010 Samenvatting In [Kea93] worden twee neuraal netwerk programmeerprojecten beschreven, bedoeld om studenten

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

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

Computer Vision: Hoe Leer ik een Computer Zien?

Computer Vision: Hoe Leer ik een Computer Zien? Computer Vision: Hoe Leer ik een Computer Zien? Michael H.F. Wilkinson Instituut voot Wiskunde en Informatica Rijksuniversiteit Groningen 27 April 2006 Overzicht 1 of 19 Wat is Computer Vision? Wat zijn

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

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

11011 Processor MMI Intro. Binaire representatie. Computer: Logische opbouw (Von Neumann) 3-input 1-hot detector.

11011 Processor MMI Intro. Binaire representatie. Computer: Logische opbouw (Von Neumann) 3-input 1-hot detector. NOT NOT NOT NOT NOT NOT 9-09-7 Intro MMI The Digital World 2 Peter van Kranenburg Vandaag: Terugblik vorige week Werking CPU Soorten instructies Werking CPU Cache Pipelining Digitale representatie Tekst

Nadere informatie

Internet of things. Gert Dam. Founder & Sales Director IMBU B.V Eaton. All Rights Reserved.

Internet of things. Gert Dam. Founder & Sales Director IMBU B.V Eaton. All Rights Reserved. Internet of things Gert Dam Founder & Sales Director IMBU B.V. 1 2 2003... vlak na de dot-com bubble Ik werkte voor Altronic is wereldwijd marktleider industriële ontstekings-systemen voor gasmotoren (power-gen

Nadere informatie

Aanvliegroute en Risicominimalisatie bij Auto ID Project

Aanvliegroute en Risicominimalisatie bij Auto ID Project Aanvliegroute en Risicominimalisatie bij Auto ID Project Deze lezing gaat over de kwaliteit en de plaats van de te lezen codes of tekst. Beide aspecten hebben consequenties voor de te kiezen sensoren en

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

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

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

Artificial Intelligence

Artificial Intelligence Artificial Intelligence Speeltje of Game Changer? Deltiq Viewpoint - april 2017 Over Deltiq Information drives your business Steeds meer bedrijven ontdekken de waarde van informatie om zich te onderscheiden.

Nadere informatie

Business Analytics bij. Zilveren Kruis. Rob Konijn Data Scientist Kenniscentrum. 12 mei 2016

Business Analytics bij. Zilveren Kruis. Rob Konijn Data Scientist Kenniscentrum. 12 mei 2016 Business Analytics bij Zilveren Kruis Rob Konijn Data Scientist Kenniscentrum Zilveren Kruis 12 mei 2016 Introductie Rob Konijn - Business Analytics (toen nog BWI) 2002-2008 - Phd VU (Wojtek Kowalczyk/Bert

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

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

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

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

Van Big Data tot waardevolle informatie op maat van de (interne)gebruiker en de burger

Van Big Data tot waardevolle informatie op maat van de (interne)gebruiker en de burger Van Big Data tot waardevolle informatie op maat van de (interne)gebruiker en de burger Tijdens deze sessie krijgt u een inzicht in een specifieke visie over hoe men op basis van grote hoeveelheden ongestructureerde

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

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

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

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

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

#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

Biometrie toegepast. Zomerseminar AgroConnect: Kennisbenutting

Biometrie toegepast. Zomerseminar AgroConnect: Kennisbenutting Biometrie toegepast Zomerseminar AgroConnect: Kennisbenutting Welkom! Ir. Chris van Erp Manager Innovation cverp@fancom.com 1991 1996 Agricultural Engineering Wageningen Since 1996 Employed by Fancom Research

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

Enterprisearchitectuur

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

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

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

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

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

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

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

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

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

TW2020 Optimalisering

TW2020 Optimalisering TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 21 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 21 oktober 2015 1 / 20 Deze week: algoritmes en complexiteit

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

Inleiding Programmeren 2

Inleiding Programmeren 2 Inleiding Programmeren 2 Gertjan van Noord November 28, 2016 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te

Nadere informatie

WORKSHOP - FEBELNET MEI 2017

WORKSHOP - FEBELNET MEI 2017 WORKSHOP - FEBELNET MEI 2017 AGENDA WELKOM DE WERELD RONDOM ONS WAAR STAAT BITLER / FEBELNET (ON) GEKENDE MOGELIJKHEDEN ROADMAP NIEUWSBRIEF CAMPAGNE Q&A WORKSHOP - FEBELNET ENKELE CIJFERS FEBELNET: ENKELE

Nadere informatie

Tentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6

Tentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6 Tentamen Data Mining Datum: 4januai2l6 Tijd: 4: - 7: Algemene Opmerkingen e Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. o Laat bij het uitvoeren van berekeningen zien hoeje

Nadere informatie

Bescherming van (software) IP bij uitbesteding van productie

Bescherming van (software) IP bij uitbesteding van productie 12.15 12.40 Bescherming van (software) IP bij uitbesteding van productie Gerard Fianen INDES-IDS BV The choice of professionals Wie zijn wij? Tools, software components and services for the development,

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

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

IAAS - QUICK START GUIDE

IAAS - QUICK START GUIDE IAAS - QUICK START GUIDE Contents IAAS QUICK START GUIDE... 2 STAPPEN... 2 AANMAKEN VAPP... 2 NETWERK BESCHIKBAAR MAKEN IN VAPP... 3 UITROLLEN WINDOWS SERVERS... 3 VERSIES VAN WINDOWS SERVER TEMPLATES...

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

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

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

Inhoudsopgave: Whisper380-computerhulp

Inhoudsopgave: Whisper380-computerhulp Versie: 1.0 Gemaakt door: Whisper380 Eigenaar: whisper380-computerhulp Datum: 22-9-2010 Inhoudsopgave: Inhoudsopgave:... 2 Virtual PC Downloaden:... 3 Welke moet u kiezen?... 3 Hoe weet u welke versie

Nadere informatie

Random-Getallen. Tristan Demont en Mark van der Boor en

Random-Getallen. Tristan Demont en Mark van der Boor en Random-Getallen Tristan Demont en Mark van der Boor 0768931 en 0772942 18 januari 2013 Begeleider: Relinde Jurrius Opdrachtgever: Berry Schoenmakers Modelleren B, 2WH02 Technische Universiteit Eindhoven

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

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

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

Installatie stappen Microsoft SQL Server 2008 R2 Express With Tools:

Installatie stappen Microsoft SQL Server 2008 R2 Express With Tools: Installatie stappen Microsoft SQL Server 2008 R2 Express With Tools: Versie: 201212031 Pagina 1 van 7 Dit stappenplan is gebasseerd op een computer zonder eerdere Microsoft SQL Server installaties. Is

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

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

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

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

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

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

IoT in perspectief geplaatst. Herman Tuininga

IoT in perspectief geplaatst. Herman Tuininga IoT in perspectief geplaatst Herman Tuininga Achtergrond Technische & Marketing opleiding DGA vanaf 2001 Connecting your things Profiel bezoekers IoT conferentie 572 Aanmeldingen op 16 mei 19 Verschillende

Nadere informatie

Algoritmen en programmeren: deel 2 - basis

Algoritmen en programmeren: deel 2 - basis Algoritmen en programmeren: deel 2 - basis Ruud van Damme Creation date: 25 april 2005 Update: 16 november 2006, 9 september 2007 Overzicht 1 Basisbenodigdheden voor alle problemen 2 Alles in stukjes op

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