Neurale Netwerken en Deep Learning. Tijmen Blankevoort
|
|
- Christiana de Ridder
- 8 jaren geleden
- Aantal bezoeken:
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
AI introductie voor testers
AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel
Nadere informatieKunstmatige 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 informatieHoe AI kan ingezet worden voor de analyse van asbesthoudende daken
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences www.vlaanderen.be/informatievlaanderen www.vito.be Workshop: Asbestinventarisatie en analyse Weerslag
Nadere informatieMachinaal 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 informatieArtificial 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 informatieContinuous 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 informatiesucces. Door steeds opnieuw toernooien te blijven spelen evolueert de populatie. We kunnen dit doen onder ideale omstandigheden,
Inleiding Adaptieve Systemen deel 2, 25 juni 2014, 13.30-16.30, v. 1 Er is op vrijdag 27 juni nog een practicumsessie! De aanvullende toets is op 4 juli, 13-15 uur. Competitie en cooperatie 1. Bekijk de
Nadere informatieSmart 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 informatieAI en Software Testing op de lange termijn
AI en Software Testing op de lange termijn Is het een appel? Traditioneel programmeren AI Kleur = rood, groen, geel Vorm = rond Textuur = glad Artificial Intelligence Machine Learning Methods Technologies
Nadere informatieArtificial Intelligence
Artificial Intelligence De kansen, risico s en ethische dilemma s van machine learning Casper Rutjes Sophie Smits Viviënne Haring 25 jaar geleden Neural networks are revolutionizing virtually every aspect
Nadere informatieInleiding 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 informatieInhoud. 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 informatieINZET VAN MACHINE LEARNING
INZET VAN MACHINE LEARNING VOORSTELLEN INHOUD Context wat is de staat van de verzekeringsindustrie? Machine Learning - wat is het eigenlijk en is het nieuw? Toepassingen waar wordt ML met succes toegepast?
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 30 januari 2014 10:30-12:30 Vooraf Mobiele telefoons dienen uitgeschakeld te zijn. Het tentamen bestaat uit 7 opgaven; in totaal kunnen er 100 punten behaald
Nadere informatieEen foto zegt meer dan duizend woorden
Een foto zegt meer dan duizend woorden Open Circle Solutions Inhoud 3 4 6 8 9 10 Beeldherkenning Hoe werkt het De mogelijkheden van beeldherkenning OCS beeldherkenning 6-stappenplan Beeldherkenning op
Nadere informatieInfo Support TechTalks
Info Support TechTalks Architectural Talks Evolutie van Architectuur Aan de hand van historische ontwikkelingen in architectuur, hernieuwde inzichten en het spectaculair falen van grote ICT projecten,
Nadere informatieOpdracht 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 informatiePersoniceren 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 informatieTransparanten 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 informatied(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 informatieTentamen 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 informatieOpgave 2 ( = 12 ptn.)
Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk
Nadere informatieVerantwoorde AI, verantwoorde zorg. Frauke Wouda 20 juni 2019
Verantwoorde AI, verantwoorde zorg Frauke Wouda 20 juni 2019 Agenda AI wereldwijd Historie Wat is AI? Praktijkvoorbeelden Wat gaat AI in de zorg veranderen? Nieuwe vraagstukken Wel Niet Setting the scene
Nadere informatieKunstmatige Intelligentie
Kunstmatige Intelligentie Wat is kunstmatige intelligentie? Wat is de impact van artificial intelligence? Gaan we alle problemen hiermee oplossen? Coen Boot Industry Lead Education, Abecon Kunstmatige
Nadere informatieAI 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 informatieMACHINE LEARNING. Een egocentrische presentatie door een data scientist van Axians. Michel van Gelder Data Scientist bij Axians
MACHINE LEARNING Een egocentrische presentatie door een data scientist van Axians Michel van Gelder Data Scientist bij Axians 1 MICHEL VAN GELDER Data Scientist Axians 2 A day in the life of.. 3 MACHINE
Nadere informatieTentamen Kunstmatige Intelligentie
Naam: Studentnr: Tentamen Kunstmatige Intelligentie Department of Information and Computing Sciences Opleiding Informatica Universiteit Utrecht Donderdag 2 februari 2012 08.30 10:30, EDUCA-ALFA Vooraf
Nadere informatieInleiding 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 informatieOplossingen 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 informatieTEXT 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 informatieData Science.
Data Science Sieuwert van Otterloo Studie: AI en wiskunde Werk: IT expert (LRGD, NVBI): Strategie, innovatie, projectmanagement, review / audit Passies: Startups en innovatie, IT en recht www.ictinstitute.nl
Nadere informatieIn Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen.
Leerlijn programmeren In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Deze leerlijn is opgebouwd aan de
Nadere informatieMaster Wiskundige Ingenieurstechnieken
Master Wiskundige Ingenieurstechnieken Meer informatie https://wms.cs.kuleuven.be/cs/studeren/masterwiskundige-ingenieurstechnieken Of via de facultaire webpagina s of webpagina van het departement computerwetenschappen
Nadere informatieheten excitatory. heten inhibitory.
Transparanten bij het vak Inleiding Adaptieve Systemen: Neurale Netwerken. M. Wiering Nucleus Synapse Axon van andere neuron Neurale netwerken Dendriet Axon Synapse Leerdoelen: Soma Weten wanneer neurale
Nadere informatiePredictieve modellen - overzicht
Predictieve modellen - overzicht 08-01-2018 Jochem Grietens Verhaert Alexander Frimout Verhaert 1 AI voor lichtcontrole Het doel is om de verlichting van de Vlaamse snelweg slimmer te maken met behulp
Nadere informatieMinder Big data Meer AI.
Minder Big data Meer AI. Minder Big data, meer AI. Marijn uilenbroek BI & Analytics consultant Utrecht, 1 november 2016 BI&A symposium 2016 Minder Big data meer AI 2 BI&A symposium 2016 Minder Big data
Nadere informatieHet 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 informatieLiving Labs : NFI & RvdK Samen onderweg naar meer grip op data. JenV I-tour presentatie 24 april 2018
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data JenV I-tour presentatie 24 april 2018 1 Agenda Deel I - door Jannie RvdK Intermezzo filmpje I-plan JenV Deel II door Femke en Xandra NFI KInD
Nadere informatieVeilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs
Veilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs Clemens Schoone (Inspectation), Huub van den Broek (CQM) Nederland heeft het drukst bereden spoornet van Europa.
Nadere informatieOntsluiten 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 informatieVier voorbeelden van Fourier
Vier voorbeelden van Fourier Gjerrit Meinsma Mathematisch Café 1 Overzicht 1. Wereldkampioen matrix-vectorproduct 2. Fast Fourier Transform (FFT) 3. Voorbeelden: routers jpeg producten antialiasing Mathematisch
Nadere informatieAI & 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 informatieTentamen 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 informatieCover 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 informatieCover 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 informatieLink prediction op het RU domein
Bachelorscriptie Informatica / Informatiekunde Radboud Universiteit Link prediction op het RU domein Auteur: Sietse Mooren 4238508 Inhoudelijk begeleider: Dr. Suzan Verberne s.verberne@cs.ru.nl Tweede
Nadere informatieSlim Onderhoud Voorkomen lekkages en onnodige kosten. Seminar Datagestuurd Woningonderhoud
Slim Onderhoud Voorkomen lekkages en onnodige kosten Seminar Datagestuurd Woningonderhoud Ralf Putter Business Consultant John Ciocoiu Technisch Consultant Data & Analytics Slim Onderhoud Value case Project
Nadere informatieHoe 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 informatieMachine Learning IBM Watson. Eindhoven, High Tech Campus, 13 juni 2017
Machine Learning IBM Watson Eindhoven, High Tech Campus, 13 juni 2017 Industriële revoluties Geneeskunde zit hier! Artificial Intelligence (AI) Onderdeel van de computerwetenschappen dat als doel heeft
Nadere informatieIBM 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 informatieBotlek Studiegroep - Machine vision in de praktijk. ing. Simon Mingaars Consultant Pliant BV
Botlek Studiegroep - Machine vision in de praktijk ing. Simon Mingaars Consultant Pliant BV Machine vision in de praktijk Introductie Pliant Machine vision technieken Beweging in de markt 3D technieken
Nadere informatieHet gebruik van data binnen Tax PwC Eric Dankaart November 2016
www.pwc.nl Eric Dankaart November 2016 Agenda Digitalisering en de data explosie Waarom is data voor Tax interessant? 1. Meer data, meer data-analyse 2. Invloed op wet- en regelgeving 3. Wat betekent dit
Nadere informatieBig 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 informatieAgenda. 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 informatieLDA 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 informatieWat 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 informatieParking 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 informatieAI en Data mining. Van AI tot Data mining. dr. Walter Kosters, Universiteit Leiden. Gouda woensdag 17 oktober
AI en Data mining Van AI tot Data mining dr. Walter Kosters, Universiteit Leiden Gouda woensdag 17 oktober 2007 www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert interessante en (on)verwachte
Nadere informatieIncore 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 informatieInternet of Things in perspectief geplaatst. Herman Tuininga. Oktober 10, 2017
Internet of Things in perspectief geplaatst Herman Tuininga Oktober 10, 2017 1 Achtergrond Meer dan 20 jaar ervaring in IoT 30 medewerkers IoT Lab Zwolle Connecting your things 2 IoT is een container begrip
Nadere informatieAfstanden in Sociale Netwerken. Frank Takes Open Dag Informatica 30 november 2012
Afstanden in Sociale Netwerken Frank Takes (ftakes@liacs.nl) Open Dag Informatica 30 november 2012 Wie ben ik? Frank Takes VWO, profiel N&T (2004) Bachelor Informatica (BSc, 2008) Minor Bedrijfswetenschappen
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2017-2018 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 21 maart
Nadere informatieTentamen 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 informatieHERE 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(Net)working in the Connected World INTEGRAAL WATERBELEID STROOMLIJNEN
(Net)working in the Connected World INDUSTRY 4.0 CONNECTED SOCIETY DE KRACHT VAN OPEN INNOVATIE INTEGRAAL WATERBELEID STROOMLIJNEN De Vierde Industriële Revolutie Industry 4.0 is een ecosysteem van sterk
Nadere informatieCursus 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 informatieMyDHL+ Tarief berekenen
MyDHL+ Tarief berekenen Bereken tarief in MyDHL+ In MyDHL+ kunt u met Bereken tarief heel eenvoudig en snel opvragen welke producten er mogelijk zijn voor een bestemming. Ook ziet u hierbij het geschatte
Nadere informatie11011 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 informatieData 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 informatieInternet 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 informatieZELF 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 informatieRecursion. Introductie 37. Leerkern 37. Terugkoppeling 40. Uitwerking van de opgaven 40
Recursion Introductie 37 Leerkern 37 5.1 Foundations of recursion 37 5.2 Recursive analysis 37 5.3 Applications of recursion 38 Terugkoppeling 40 Uitwerking van de opgaven 40 Hoofdstuk 5 Recursion I N
Nadere informatieHet 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 informatieAanvliegroute 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 informatieWorkshop 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 informatie3HUIRUPDQFH0HDVXUHPHQW RI'\QDPLFDOO\&RPSLOHG -DYD([HFXWLRQV
3HUIRUPDQFH0HDVXUHPHQW RI'\QDPLFDOO\&RPSLOHG -DYD([HFXWLRQV Tia Newhall and Barton P. Miller {newhall *, bart}@cs.wisc.edu Computer Sciences University of Wisconsin 1210 W. Dayton St. Madison, WI 53706
Nadere informatieMachine Learning en big data in het sociaal domein. Divosa congres 15 juni 2017
Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017 programma 1. Inleiding (S:mulansz) 2. Techniek van machine learning (ToAa) 3. Machine learning in de prak:jk (WIL) 5. Privacy
Nadere informatieBENIEUWD WAT MORGEN BRENGT?
BENIEUWD WAT MORGEN BRENGT? DE REIS NAAR HET GROTE ONBEKENDE BIJ BENTACERA WERKEN WE VOOR ONDERNEMERS. EEN SPECIAAL SLAG MENSEN DIE OP EEN ZEKER MOMENT DE BEWUSTE KEUZE HEBBEN GEMAAKT HUN HART TE VOLGEN.
Nadere informatieWilco 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 informatieOpen vragen. Naam:...
Tentamen IAS. Vrijdag 29 juni 2012 om 13.30-16.30 uur, zaal: RUPPERT-40. 1 Naam:............................................................................................................. Collegekaart-nummer:...........................
Nadere informatieHopfield-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 informatieWFS 3.0 De geo-api van de toekomst. Linda van den Brink, Geonovum 13 februari #DataToBuildOn
WFS 3.0 De geo-api van de toekomst Linda van den Brink, Geonovum 13 februari 2019 @brinkwoman #DataToBuildOn Eerste versie uit 2002 https://nl.wikipedia.org/wiki/web_feature_service Web Feature Service
Nadere informatierecursie 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 informatieWhitepaper Intelligente PIM oplossingen
Whitepaper Intelligente PIM oplossingen The value is not in software, the value is in data and this is really important for every single company, that they understand the data they ve got. Intelligente
Nadere informatieModeling 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 informatievon-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 informatieRISK ASSESSMENTS. A Must Do, or.
RISK ASSESSMENTS A Must Do, or. NCSC LIAISON CSA Waar gaan we naar toe Mobile Social Cloud Big Data By 2016 smartphones and tablets will put power In the pockets of a billion global consumers Millennials
Nadere informatieVan 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 informatieGebruikershandleiding 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 informatieIntelligente 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 informatieHet classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse
Het classificeren van hoortoestel modaliteiten m.b.v. een Big Data benadering: Latent Class Trees analyse Simon Lansbergen & Wouter Dreschler Motivatie // Introductie 1. Veel verschillende hoortoestellen,
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 26, 2018 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatieNationaal verkeerskundecongres 2018
Nationaal verkeerskundecongres 2018 Een algoritme onderhoudt straks de openbare weg En dat is fantastisch nieuws R.J. van der Woude BAM Infraconsult S. Buningh BAM Infraconsult Samenvatting Asfaltschade
Nadere informatieHigh 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 informatie375,00 excl. BTW. Ervaren Photoshop-gebruikers die zin hebben in tal van nieuwe tips & tricks.
OPLEIDING #ICT EN INFORMATIEMANAGEMENT sneller, beter, mooier met photoshop (expert training) 375,00 excl. BTW I.S.M. omschrijving OMSCHRIJVING Als Photoshop-user heeft u uw eigen technieken om te creëren.
Nadere informatieWegwijzer: 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 informatieTestNet voorjaarsevent 15 mei Testen met AI. Op weg naar een zelflerende testrobot. TestNet werkgroep Testen met AI. Sander Mol Marco Verhoeven
TestNet voorjaarsevent 15 mei 2018 Testen met AI Op weg naar een zelflerende testrobot TestNet werkgroep Testen met AI Sander Mol Marco Verhoeven De aanleiding: AI tool speelt breakout Tool ziet alleen
Nadere informatiemath inside Model orde reductie
math inside Model orde reductie Model orde reductie Met het voortschrijden van de rekenkracht van computers en numerieke algoritmen is het mogelijk om steeds complexere problemen op te lossen. Was het
Nadere informatieReducing catastrophic interference
Reducing catastrophic interference in FeedForward BackPropagation networks Stan Klabbers & Anne Doggenaar 0100714 0164453 Bachelor project Kunstmatige Intelligentie Universtiteit van Amsterdam Begeleider:
Nadere informatieAantekeningen 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