Artificial intelligence (AI) is de intelligentie waarmee machines, software en apparaten zelfstandig problemen oplossen. Zij imiteren hierbij het denkvermogen van de mens. Binnen deze minor gaan we aan de gang met machine learning (ML), een onderdeel van AI. Een definitie van ML: “computers die het vermogen hebben om te leren van data en kunnen generaliseren naar niet eerder geziene data, en dus taken kunnen uitvoeren zonder hiervoor expliciet geprogrammeerd te zijn”. In de praktijk kunnen we dit vertalen in het ontwikkelen van een computerprogramma dat voorspellingen of acties doet op basis van gegevens of ervaringen, net zoals mensen dit kunnen.

We gaan met drie gebieden van ML aan de gang, namelijk supervised learning (leren op basis van gelabelde trainingsdata, bijvoorbeeld het herkennen van fruitsoorten op plaatjes), unsupervised learning (vinden van verborgen structuren in data, bijvoorbeeld het recommender system van YouTube) en reinforcement learning (leren door te interacteren met de omgeving, bijvoorbeeld een zelfrijdende auto). Daarnaast besteden we aandacht aan generative AI, het genereren van nieuwe data.

De focus is applied AI: je leert de stappen te doorlopen om op basis van een concreet probleem te komen tot een uitgerolde AI-oplossing. We noemen dit de data science workflow. Om dit goed te kunnen doen moet je ook weten hoe een ML-techniek werkt. We kijken dus ook onder de motorkap van een aantal ML-technieken. Hier komt enige wiskunde bij kijken. We zijn terughoudend met de toetsing ervan.

De focus is applied AI: je leert de stappen te doorlopen om op basis van een concreet probleem te komen tot een uitgerolde AI-oplossing. We noemen dit de data science workflow. Om dit goed te kunnen doen moet je ook weten hoe een ML-techniek werkt. We kijken dus ook onder de motorkap van een aantal ML-technieken. Hier komt de nodige wiskunde bij kijken, maar we zijn terughoudend met de toetsing ervan.

We gaan ook aan de gang met de engineering-kant van ML. Denk hierbij aan het opzetten van een pipeline voor het ontwikkelen en deployen van ML-algoritmes of het gebruik om van een grafische processor om de trainingstijd te verkorten.

Deze minor is technisch georiënteerd. We kijken ook naar de ethische dilemma’s rondom AI, gezien de grote impact die AI heeft op de maatschappij. Daarnaast kijken we naar de user experience van een AI-oplossing: hoe ontwerp je een AI-oplossing, zodat mensen er prettig mee kunnen werken en er niet bang voor zijn of de oplossing niet vertrouwen?

Om een beeld te geven van de inhoud, hieronder een aantal van de challenges en capstone-projecten die de afgelopen jaren zijn gedaan:

• De challenges die alle studenten doen: op basis van persoonsgegevens voorspellen wie de Titanic-ramp overleeft, detecteren van objecten in een plaatje, multiplayer snake, recommender system voor leerobjecten, maken van een AI-oplossing op basis van transformers.

• Het capstone-project met een bedrijf als opdrachtgever: het afstemmen van energieopwekking en -verbruik binnen een huishouden, gepersonaliseerde parfums, positiedetectie van containers in de haven, onkruiddetectie voor een landbouwrobot, het voorspellen van het wateroverschot in het Brabantse rioolstelsel, AI voor het knippen van DNA-sequences, het vinden van gecamoufleerde militaire opstellingen op basis van drone-data, het besturen van zeilboten.

1. The student understands and has hands-on experience with concepts of machine learning, such that, when high-level ML libraries are used to tackle AI problems, informed choices can be made about algorithms and hyperparameters, for the given problem context.
2. The student has a basic understanding of and some hands-on experience with all the commonly accepted fields of ML and is able to apply some of the well-known algorithms in each of these fields. These fields are supervised learning, unsupervised learning, reinforcement learning, recommender systems, neural networks, genetic algorithms, generative adversarial networks and transformers.
3. The student can apply the data science pipeline, resulting in valid, verified, evaluated and deployed ML solutions, for real-world, not too complex AI problems.
4. The student can craft ML solutions, including engineering and analytics aspects, using state-of-the-art, high-level, industry-standard libraries and tooling, specifically targeting python environments.
5. The student 1. is aware how ML is being used in daily business life, 2. has focus on the business case “should AI be used at all?”, 3. focus on approach and planning (how to spend your time wisely), and 4. can communicate with laypeople about AI solutions. In short: the hbo-perspective.
6. The student addresses AI ethics when creating an AI solution. The student specifically deals with privacy, bias, fairness and explainability.
7. The student is aware how AI is impacting human society, and the consequences this has on development of AI solutions.
8. The student has a basic understanding of linear algebra and statistics, and some hands-on experience with them, using python/numpy/pandas.
9. The student has basic skills in reading mathematical notation, understanding mathematical formulas (no derivation or proof of correctness) and transforming mathematical formulas into python/numpy source code.

Propedeuse behaald en ten minste 75% van jaar twee van de studie behaald. Je hebt ervaring en affiniteit met softwareontwikkeling. M.a.w. je hebt de nodige programmeervaardigheid.

Deze minor sluit goed aan bij de opleidingen Informatica, Technische Informatica, HBO-ICT (met uitzondering van studenten met profiel Media Design), Toegepaste Wiskunde, Bio-informatica en Mechatronica. Studenten van andere opleidingen die de nodige ervaring en affiniteit met softwareontwikkeling hebben, zijn toelaatbaar na een positief intakegesprek.

De Avans-opleiding gekoppeld aan deze minor is Informatica. Deze informatie is nodig bij het inschrijven in Studielink.

De benodigde literatuur is gratis beschikbaar.

Vrijwel elke laptop voldoet, maar het is prettig om een goede laptop te hebben.

Voltijdonderwijs uitgevoerd op locatie in Breda. Het rooster wordt enige tijd voor de aanvang van de periode beschikbaar gesteld.

Tijdens de eerste periode doorloop je vier pressure cookers. Bij een pressure cooker volg je meerdere workshops per week op locatie. Een workshop bestaat uit een ochtenddeel met uitleg, een aantal uren zelfwerkzaamheid, en een middagdeel om de opdrachten te bespreken en resterende lesstof te behandelen. Veel les dus tijdens de eerste periode; je bent immers beginner op het gebied van AI en er valt veel te leren. Tegelijkertijd pas je behandelde stof toe op een challenge die je uitvoert met je projectgroep.

De tweede periode begint met nog een pressure cooker. Het overgrote deel van periode 2 werk je met je projectgroep aan je capstone-project; dat is een AI-opdracht voor een bedrijf.

• Pressure cookers: individuele pitch aan de hand van je portfolio

• Human-centric AI-design: presentatie van goedaardige AI-app en evil AI-app

• Capstone-project: mondeling eind-assessment

Afwijkingen van de hier gepresenteerde info zijn mogelijk, bijvoorbeeld i.v.m. de projecten waarmee we aan de gang gaan of de bedrijven waarmee we samenwerken of als gevolg van de evaluatie van het huidige studiejaar.

Maximaal aantal studenten: 60. Minimaal aantal studenten om de minor van start te laten gaan: 25.

De Avans-opleiding gekoppeld aan deze minor is Informatica. Deze informatie is nodig bij het inschrijven in Studielink.

Op 6 februari 2024 organiseert Avans Hogeschool een online minormarkt. Klik hier om je te registreren.

De Avans-opleiding gekoppeld aan deze minor is Informatica. Deze informatie is nodig bij het inschrijven in Studielink.