Machinaal leren, neurale netwerken, en deep learning
|
|
- Fenna Wouters
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Machinaal leren, neurale netwerken, en deep learning Prof. dr. Tom Heskes KNAW-symposium Go en machinale intelligentie 11 oktober, 2016
2 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 2
3 Inleiding Leren is een essentieel onderdeel van (kunstmatige) intelligentie - Flexibel gedrag - Jezelf verbeteren - Minder afhankelijk van reeds aanwezige kennis - Voorkom herhaling van dezelfde domme fouten 3
4 Definitie Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed Tom Mitchell (1998). A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E 4
5 Toepassingen automatische tagging spam filtering aanbevelingen doen 5
6 Toepassingen detectie van creditcard fraude spraakherkenning sterrenstelsels classificeren 6
7 Big Data: McKinsey 2011 Rapport 7
8 Deloitte advertorial 8
9 Waar kun je van leren? Het wordt je verteld (programmeren) Je krijgt voorbeelden (inductie) Aan de hand van analogiën Door zelf ervaringen op te doen 9
10 Lerende Agent (Russell & Norvig) 10
11 Lerende Agent (Poole & Mackworth) Learning agent 11
12 Soorten feedback Supervised leren Reinforcement leren Unsupervised leren 12
13 Supervised leren pictures courtesy: Simon Dennis 13
14 Reinforcement leren 14
15 Unsupervised leren 15
16 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 16
17 Kunstmatige Neurale Netwerken Computationele structuur bestaande uit individuele units Individuele unit = neuron Hersenstructuur als inspiratie Model voor neurowetenschappen 17
18 Neuronen in onze hersenen Synapsen van andere zenuwcellen laten transmitters vrij in de dendrieten (input) Wanneer de electrische potentiaal in het soma over de drempel gaat, vuurt het neuron (trigger) en... wordt een actiepotentiaal via de axon naar andere neuronen gestuurd (output) 18
19 McCullogh-Pitts Neuron X 1 neuron output = een activatiefunctie van de input Z 1 0 if if Z Z input van andere neuronen w 1 Σ Z σ Y drempel w p X p synaptische sterkte Z neuron input = gewogen som van inkomende activiteiten w X... w X j j w p X p 19
20 Geschiedenis 1943 McCulloch & Pitts: eerste studie van neurale netwerken 1948 Wiener: feedback loops 1949 Hebb: eerste neurale leerregel 1951 Minsky: eerste neurale netwerk systeem 1956 Geboorte van de Kunstmatige Intelligentie 1957 Rosenblatt: perceptron 1960 Widrow & Hoff: adaline 1960s Systemen bestaande uit perceptrons en adalines 1969 Minsky & Papert: Perceptrons 1969 Bryson & Ho: back-propagation 1970s Perceptron winter 1980s Connectionisme 1986 Rumelhart & McClelland: Parallel Distributed Processing 1990s Meer gebruik en begrip; NNs voor toepassingen versus hersenmodellen 2000s Gewoon een van de machine learning technieken Meer gedetailleerde hersenmodellen 2010s Revival van diepe neurale netwerken Enorme neurale architecturen 20
21 Meerlaags perceptron Bryson & Ho (1969), en vele anderen daarna: McCullogh-Pitts neuronen in verschillende lagen Typisch één laag met verborgen ( hidden ) units Feedforward model: geen cycles Back-propagation leerregel Hidden units leren zich te specialiseren om karakteristieke kenmerken te coderen ( high-level features ) Output units combineren deze features tot een voorspelling/classificatie 21
22 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren Neurale netwerken Deep learning 22
23 Convolutionele Neurale Netwerken Convolutie: matrixoperatie schuift over het beeld Filters voor edge detection, blurring, sharpening Neural netwerk leert nuttige filters Herhalen: meer en meer lagen diepe neurale netwerken 23
24 Unsupervised leren op Youtube frames Le et al., ICML
25 Succesfactoren Uitstekend parallelliseerbaar op GPUs: enorme rekenkracht Grote datasets Veel nieuwe slimme trucs (ReLU, dropout, batch normalization,...) Beschikbaarheid open source software, cursussen en tutorials Voor computer vision, spraakherkenning, natuurlijke taalverwerking onverslaanbaar (maar niet daarbuiten...) 25
26 Conclusie Meer rekenkracht, meer data, betere methoden, complexere modellen betere systemen voor machinaal leren Convolutionele neurale netwerken als paradepaardje: ideaal voor computer vision en andere taken met een lokale structuur in ruimte/tijd 26
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 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 informatieNeurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
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 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 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 informatieKunstmatig Leven & Kunstmatige Neurale Netwerken!
Kunstmatig Leven & Kunstmatige Neurale Netwerken Tim Trussner Inhoudsopgave Inhoudsopgave 1 Voorwoord 4 Introductie 5 Onderzoeksvragen 6 Brein 8 Neuronen 8 Actiepotentialen 9 Hebbian learning 10 Kunstmatige
Nadere informatieRobotic accounting & machine learning
Robotic accounting & machine learning Door: Gerard Bottemanne, Onderzoeksbureau GBNED 19 september 2018 Begripsvorming Robotic accounting Robotic accounting heeft betrekking op Boekhoudfuncties in de brede
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 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 informatieRobotic accounting & machine learning
Robotic accounting & machine learning Door: Gerard Bottemanne, Onderzoeksbureau GBNED 13 september 2017 Begripsvorming Samenhang tussen Robot, robotic process automation en robotic accounting Robot Eerst
Nadere informatieInhoud 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 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 informatieDe toekomst van data science in het waterdomein.
De toekomst van data science in het waterdomein. Data science & Wateropgaven o o o o Ynformed Doing good with data Ca. 15 projecten in het waterdomein Van PoC naar oplossing Kunstmatige intelligentie &
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 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 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 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 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 informatieEerst even een testje
Frans Bleumer Frans Bleumer Eerst even een testje Een krant is beter dan een weekblad. Het strand is beter dan de straat. In het begin kun je beter rennen dan wandelen. Je zult het vaker moeten proberen.
Nadere informatieAI 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 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 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 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 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 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 informatieBrain-Computer Interfaces. ir. Pieter-Jan Kindermans, Vakgroep Elektronica en Informatiesystemen, Universiteit Gent
Brain-Computer Interfaces ir. Pieter-Jan Kindermans, Vakgroep Elektronica en Informatiesystemen, Universiteit Gent 1 Een robot besturen met gedachten? Bron: M. Velliste, et al. Cortical control of a prosthetic
Nadere informatieWij veranderen de technologie en de technologie verandert ons Hoe beïnvloedt dat onze manier van werken? Arjan van Hessen
Wij veranderen de technologie en de technologie verandert ons Hoe beïnvloedt dat onze manier van werken? Arjan van Hessen a.j.vanhessen@utwente.nl Artificial Agent Assistance Arjan van Hessen Universiteit
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 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 informatieWim van Vroonhoven Heleen Schoots-Wilke
Wim van Vroonhoven Heleen Schoots-Wilke Hersenen : wat weet ik er van? Teken de hersenen. Waar liggen? De grote hersenen De kleine hersenen De amygdala De hersenstam De prefrontale cortex Het corpus callosum
Nadere informatieWaarmaken van Leibniz s droom
Waarmaken van Leibniz s droom Artificiële intelligentie Communicatie & internet Operating system Economie Computatietheorie & Software Efficiënt productieproces Hardware architectuur Electronica: relais
Nadere informatieThema: hersenontwikkeling
Thema: hersenontwikkeling stap 1: Ontwikkeling van de neurale buis Lengte: bv cortex, middenhersenen en hersenstam. Oppervlakte : bv visuele cortex, Diepte: verschillende lagen van een gebied Porblemen
Nadere informatieEVALUATIE VAN TWEE TYPEN NEURALE NETWERKEN IN EEN DYNAMISCHE OMGEVING. Gerbrand Kamphuis
EVALUATIE VAN TWEE TYPEN NEURALE NETWERKEN IN EEN DYNAMISCHE OMGEVING Gerbrand Kamphuis Universiteit Utrecht MSc Scriptie Cognitive Artificial Intelligence Begeleider Dr. I. Th. C. Hooge Utrecht, 12 december
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 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 informatieData Science and Process Modelling
Data Science and Process Modelling Frank Takes LIACS, Leiden University https://liacs.leidenuniv.nl/~takesfw/dspm Lecture 6 Reinforcement Learning & Process Modelling Frank Takes DSPM Lecture 6 Reinforcement
Nadere informatieKunstmatige neurale netwerken in de psychiatrie
Kunstmatige neurale netwerken in de psychiatrie Theoretische concepten door J.M. van Beveren en E.J. Colon Samenvatting Een kunstmatig neuraal netwerk is een computersimulatie van enkele samenwerkende
Nadere informatiePDF hosted at the Radboud Repository of the Radboud University Nijmegen
PDF hosted at the Radboud Repository of the Radboud University Nijmegen The following full text is a preprint version which may differ from the publisher's version. For additional information about this
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 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 informatieVan krabbels naar getallen
Van krabbels naar getallen Classificatie van handgeschreven cijfers middels een kunstmatig neuraal netwerk Wouter van Dijk Joris Veldhuizen Begeleider: Peter Albersen Inhoudsopgave Voorwoord... 2 Inleiding...
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 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 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 informatieAI 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 informatieUNDERSTANDING COGNITIVE SCIENCE
Samenvatting van MICHAEL R.W. DAWSON S UNDERSTANDING COGNITIVE SCIENCE inclusief informatie uit de collegeserie van Harald Kunst en Ignace Hooge en de werkgroepen van Frank van Meurs Sebastiaan de Kruif
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 informatieMeten is weten? Performance benchmark bij een geo-ict migratietraject
Meten is weten? Performance benchmark bij een geo-ict migratietraject Student: Begeleiders: Professor: Sandra Desabandu (s.desabandu@zoetermeer.nl Edward Verbree (GIMA/TU Delft) en Pieter Bresters (CBS)
Nadere informatieBent u er al klaar voor? TMap dag 2016
Robots testen Bent u er al klaar voor? TMap dag 2016 Heeft u al een robot? Over 10 jaar zeker! TMap dag 2016 2 Technologie verovert ons leven, steeds sneller! TMap dag 2016 3 Robots in de praktijk Meer
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 informatieDag van intelligentie 2018
Dag van intelligentie Design 2018 Dr. Marc P.H. Hendriks, Klinisch neuropsycholoog Het Brein achter Intelligentie; Van localisatie naar netwerktheorieën Structuur en Functie De hersenen van boven Structuur
Nadere informatieMasterproeven 2012-2013 Wireless & Cable Research Group (WiCa)
Masterproeven 2012-2013 Wireless & Cable Research Group (WiCa) Aanbevelingssystemen Vakgroep Informatietechnologie Onderzoeksgroep WiCa WiCa Wireless 13 onderzoekers Cable 3 onderzoekers Fysische laag
Nadere informatieGefrustreerde magnetische systemen als basis voor artificiële neurale netwerken
Faculteit Wetenschappen Vakgroep Vastestofwetenschappen Voorzitter: Prof. Dr. F. Callens Gefrustreerde magnetische systemen als basis voor artificiële neurale netwerken door Pieter Gypens Promotor: Prof.
Nadere informatieArtificiële Intelligentie: wat is het (niet)?
Artificiële Intelligentie: wat is het (niet)? Prof. Dr. ir. Hendrik Blockeel Departement Computerwetenschappen Faculteit Ingenieurswetenschappen Welke van deze toepassingen gebruiken AI? Robots zelfstandig
Nadere informatieArtificial Agent Assistance. Arjan van Hessen Universiteit Twente
Artificial Agent Assistance Arjan van Hessen Universiteit Twente Kunstmatige intelligentie De menselijke geest uniek? Dat had u gedacht. Het onderscheid tussen een biologisch en een synthetisch brein zal
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 informatieProgramma Bachelor- en Masteropleiding Informatica 2009-2010
Programma Bachelor- en Masteropleiding Informatica 2009-2010 Curriculumcommissie Redactie: Jos Roerdink Laatst herzien: 26 maart 2009 Inhoudsopgave 1 Inleiding 1 2 Bacheloropleiding 1 3 Masteropleiding
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 informatieKunstmatige Intelligentie (AI) Walter Kosters. voorjaar kosterswa/ai/aieen.pdf
AI Kunstmatige Intelligentie (AI) Walter Kosters voorjaar 2017 www.liacs.leidenuniv.nl/ kosterswa/ai/aieen.pdf 1 AI algemeen AlphaGo: Go 2016: computerprogramma verslaat Lee Sedol; 2017... 2 AI algemeen
Nadere informatieDrie domeinen als basis voor onze toekomstige veiligheid De genoemde trends en game changers raken onze veiligheid. Enerzijds zijn het bedreigingen, anderzijds maken zij een veiliger Nederland mogelijk.
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 informatieArtificiële intelligentie 1 ( ) Voorbeelden van examenvragen
Artificiële intelligentie 1 (2002-2003) Voorbeelden van examenvragen Tony Belpaeme, Bart de Boer, Bart De Vylder, Bart Jansen Vraag 1. Wat zal het effect zijn van een convolutiekernel a. Contrast wordt
Nadere informatieHersenschimmen. Jan Sleutels
Hersenschimmen Jan Sleutels Hersenschimmen 1. De geest heeft een lange geschiedenis 2. Descartes vond de geest uit 3. In 1874 werd de psychologie geboren 4. Volkspsychologie en philosophy of mind 5. Eliminatief
Nadere informatieData-gestuurd animisme: - van aangezicht tot aangezicht -
Data-gestuurd animisme: - van aangezicht tot aangezicht - Mireille Hildebrandt Radboud Universiteit Nijmegen Vrije Universiteit Brussel Erasmus Universiteit Rotterdam 1Data-gestuurd animisme ECP 1. Kunst,
Nadere informatie1 De geschiedenis van de AI per decennium
Encyclopedie van de AI, opdracht 2 0440949 Andreas van Cranenburgh 0045101 Jesse Mak Sat Jan 13 12:26:30 CET 2007 1 De geschiedenis van de AI per decennium 1.1 1956-1965 1956: Het ontstaan van de kunstmatige
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 informatieSlimme toepassingen met Unmanned Aerial Vehicles (UAV s) Studie dag Big Data Aansluitingsnetwerk vo-ho Fryslân 24 juni 2016
Slimme toepassingen met Unmanned Aerial Vehicles (UAV s) Studie dag Big Data Aansluitingsnetwerk vo-ho Fryslân 24 juni 2016 Jaap van de Loosdrecht Lector Computer Vision Kenniscentrum Computer Vision NHL
Nadere informatieVoorspellers van Leerbaarheid en Herstel bij Cognitieve Revalidatie van Patiënten met Niet-aangeboren Hersenletsel
Voorspellers van Leerbaarheid en Herstel bij Cognitieve Revalidatie van Patiënten met Niet-aangeboren Hersenletsel Een onderzoek naar de invloed van cognitieve stijl, ziekte-inzicht, motivatie, IQ, opleiding,
Nadere informatieHet (on)meetbare brein
Het (on)meetbare brein Proost op de wetenschap, SPUI25 Lukas Snoek Universiteit van Amsterdam Even voorstellen... Wie ben ik? Lukas Snoek, promovendus psychologie ("Brein & Cognitie") aan de UvA Interesse
Nadere informatieinformatica. 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 informatieVeranderend onderwijs. Hersenontwikkeling in de adolescentie. Onderwijs en het brein. Onderwijs en het brein. Waar of niet waar? Waar of niet waar?
Hersenontwikkeling in de adolescentie Dr. Linda van Leijenhorst www.brainandeducationlab.nl Veranderend onderwijs Onderwijs nu ziet er anders uit dan onderwijs in het verleden tegenwoordig 1915 1953 Onderwijs
Nadere informatieActive2Gether. Smart coaching strategies that integrate social networks and modern technology to empower young people to be physically active
Active2Gether Smart coaching strategies that integrate social networks and modern technology to empower young people to be physically active 08-12-2015 VvBN Utrecht 2015 Introductie Julienka Mollee Department
Nadere informatieHet einde van de cloud zoals wij die nu kennen. Dell EMC Hans Timmerman
Het einde van de cloud zoals wij die nu kennen Dell EMC Hans Timmerman 2 Copyright 2017 Dell Inc. Dell Technologies Dell Inc. Strategically Aligned Businesses Client Solutions Group Infrastructure Solutions
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 informatieA Data Driven Journey Pieter de Kok RA AANJAGER CONEY. 31 oktober 2018
A Data Driven Journey Pieter de Kok RA AANJAGER CONEY 31 oktober 2018 MIJN DATA REIS 1994 HBO ACCOUNTANCY SCRIPTIE EDI AND CHANGING ROLE OF AUDITOR MIJN DATA REIS 1995 MIJN DATA REIS 1999 RA STUDIE AFSTUDEER
Nadere informatieGeest, brein en cognitie
Geest, brein en cognitie Filosofie van de geest en Grondslagen van de cognitiewetenschap Fred Keijzer 1 Overzicht: Wat is filosofie en waarom is dit relevant voor cognitiewetenschap en kunstmatige intelligentie?
Nadere informatieDuurzame escience. Bioinformatica case study. Pieter Meulenhoff, Daniël Worm, Freek Bomhof, George Huitema,
Duurzame escience Bioinformatica case study Pieter Meulenhoff, Daniël Worm, Freek Bomhof, George Huitema, Job Oostveen, Carolien van der Vliet-Hameeteman 1 Doelstellingen Inzicht in energiegebruik en besparing
Nadere informatie10 december 2014 Data-analyse en fraudedetectie. Wendy Schierboom
10 december 2014 Data-analyse en fraudedetectie Wendy Schierboom 2 Fraude bij organisaties Er kan worden gesproken over interne en over externe fraude Interne fraude - Verduistering van geld en goederen
Nadere informatieBijlagen Bacheloropleiding Kunstmatige Intelligentie. Bijlage I Eindtermen van de bacheloropleiding
voor Bijlagen Bacheloropleiding Kunstmatige Intelligentie Bijlage I Eindtermen van de bacheloropleiding Met de opleiding wordt beoogd: - inhoudelijke kennis, vaardigheid en inzicht op het gebied van Kunstmatige
Nadere informatieSommige mensen claimen dat je alles op het internet kunt vinden. Maar dan moet je wel kunnen zoeken!!
Bij dit vak moet je veel leren. Je moet niet alleen de tri-level hypothese snappen. De voorbeelden zijn wel degelijk van belang. Ze horen bij de algemene ontwikkeling van een CKI er Sommige mensen claimen
Nadere informatieNFR & Architectuur: Twee handen op één buik. Remco de Boer
NFR & Architectuur: Twee handen op één buik Remco de Boer 1 Over mijzelf 1999: Softwareontwikkelaar 2009: Promotie (VU) 2003: Onderzoeker / ontwikkelaar kennistechnologie 2005: Promotieonderzoek Architectuurkennismanagement
Nadere informatieInformatie- Gestuurd. Handhaven. Pilot Uitkeringsfraude
Pilot Uitkeringsfraude Informatie- Gestuurd Handhaven InformatieGestuurd Handhaven GBI Ooit Gezamenlijke Backoffice Inkomen Nu Gemeentelijke Basisprocessen Inkomen 2 het IGH-model InformatieGestuurd Handhaven
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 informatieBusiness Intelligence & Process Modelling
Business Intelligence & Process Modelling Frank Takes Universiteit Leiden Lecture 5 Reinforcement Learning & Python BIPM Lecture 5 Reinforcement Learning & Python 1 / 83 Recap Business Intelligence: anything
Nadere informatieSlimme algoritmes om burn-out en depressie te monitoren via draagbare technologie Deborah Piette Promotor: Prof. Dr.
Slimme algoritmes om burn-out en depressie te monitoren via draagbare technologie Deborah Piette Promotor: Prof. Dr. Daniel Berckmans Carewear symposium Stress en depressie te lijf met wearables 4 februari
Nadere informatieOver de rol die neurowetenschappelijk onderzoek kan betekenen voor het onderwijs
Over de rol die neurowetenschappelijk onderzoek kan betekenen voor het onderwijs VLOR-inspiratiedag School onderzoek, 14/02/2019 Pieter Tijtgat, PhD Waarom zitten jullie hier? Inspiratie opdoen Iets bijleren
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 informatie' 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 informatieBig Data en Testen samen in een veranderend speelveld. Testnet 10 april 2014 Paul Rakké
Big Data en Testen samen in een veranderend speelveld Testnet 10 april 2014 Paul Rakké Kernvraag Is het testen van Big Data omgevingen, applicaties en de data anders dan het testen van meer traditionele
Nadere informatieDE MARKETEER VAN MORGEN: DENKT NIET OLD OF NEW SKOOL, MAAR NEXT SKOOL MWG AMSTERDAM, 17 APRIL 2018
DE MARKETEER VAN MORGEN: DENKT NIET OLD OF NEW SKOOL, MAAR NEXT SKOOL MWG AMSTERDAM, 17 APRIL 2018 ? Ben jij Old Skool? Of New Skool? Wat zou je willen delen met de andere Skool? Wat zou je willen leren
Nadere informatieAnomaliedetectie en patroonherkenning
Digitale overheid van de Toekomst, 28 september 2016 Anomaliedetectie en patroonherkenning binnen de loonaangifteketen Dr. Ralph Foorthuis Voorstelrondje Werkervaring Sr. enterprise architect bij UWV Werkzaam
Nadere informatieResilience engineering
Resilience engineering Hyper of Hype? Resilience Wat is het? Waarom is het nodig? Waarom willen we er iets mee? Wat gaat het opleveren? Hoe kom ik meer te weten? Resilience, wat is het? Wendbaar heid
Nadere informatieMemo Tekstmining. Technieken en toepassingen in de zorg. mei De Praktijk Index
Memo Tekstmining Technieken en toepassingen in de zorg mei 2018 De Praktijk Index Rembrandtlaan 31 3723 BG Bilthoven 030-244 0326 info@depraktijkindex.nl www.depraktijkindex.nl Haal meer (kwaliteit) uit
Nadere informatieOnbetwist-Toetsen Calculus
Onbetwist-Toetsen Calculus 1 Exercise 1. Op is het vectorveld gegeven door Bepaal de veldlijn door het punt in de vorm. Geef de functie. Exercise 2. The vector field on is given by Determine the field
Nadere informatieNederlandse Samenvatting
Inleiding Stress-ervaringen kunnen veelvuldig en onverwachts optreden. De fysiologische reacties die bij een stress optreden zijn belangrijk voor het behoud van psychische en fysieke controle over de situatie.
Nadere informatieArtificial Intelligence in uw dagelijkse praktijk. Hilversum, 22 September 2016
Artificial Intelligence in uw dagelijkse praktijk Hilversum, 22 September 2016 Agenda 09:30 Welkom en introductie 09:35 Artificial Intelligence, al meer dan 50 jaar een actief onderzoeksgebied Jaap van
Nadere informatieIntroduction Henk Schwietert
Introduction Henk Schwietert Evalan develops, markets and sells services that use remote monitoring and telemetry solutions. Our Company Evalan develops hard- and software to support these services: mobile
Nadere informatieOpen vragen. Naam:...
Tentamen IAS. Vrijdag 29 juni 2012 om 13.30-16.30 uur, zaal: RUPPERT-40. 1 Naam:............................................................................................................. Collegekaart-nummer:...........................
Nadere informatieJaardag NAC Leren van crisis? Gebruik je hersens!
Jaardag NAC Leren van crisis? Gebruik je hersens! Brainessentials en recepten bij crisis Breinprincipes voor leren Brigitte Spee en NS Leercentrum 29 september 2016 Kennismaken met het brein Opbouw en
Nadere informatie