Scriptiebank overzicht

Deze paper introduceert een innovatieve tool voor het automatisch semantisch annoteren van machine learning-processen in RDF, met als doel om deze te integreren op het semantische web. Dit bevordert transparantie en helpt bij het naleven van de GDPR-wetgeving. De tool maakt gebruik van de Function Ontology (FnO) om Python-functies, -methoden en -klassen semantisch te beschrijven, en integreert de Provenance Ontology (ProvO) om datatransformaties tijdens het verwerkingsproces vast te leggen. Door het beschrijven van functie-implementaties kunnen gebruikers deze processen nadoen en uitvoeren, terwijl gedetailleerde provenance-informatie wordt vastgelegd. Bovendien worden MLFlow en de MLSchema Ontology gebruikt om machine learning-modellen en hun trainingsprocessen in RDF-formaat te beschrijven. Deze beschrijvingen worden gevisualiseerd met behulp van een stroomdiagram. Dankzij de semantische beschrijving van machine learning-operaties via deze tool kan een individu meer controle behouden over zijn eigen data.

Klimaatmodellen voorspellen dat de temperatuur wereldwijd zal blijven stijgen, samen met een toename van de intensiteit en frequentie van hittegolven. Daarbovenop krijgen steden te maken met extra opwarming door het stedelijk hitte-eilandeffect. Met een groeiende stedelijke bevolking, waaronder veel kwetsbare mensen, is het van cruciaal belang om effectieve mitigatiemaatregelen te implementeren om hittestress te verminderen. Hiervoor is temperatuurdata op hoge resolutie noodzakelijk.

Vaak worden numerieke modellen gebruikt om deze data te verkrijgen, maar deze zijn
computationeel zeer intensief, waardoor het moeilijk is om hoge resolutie data te verkrijgen over lange periodes en grote gebieden. Een computationeel goedkoop alternatief voor numerieke modellen zijn statistische modellen, vaak gebaseerd op machine learning technieken. Deze simuleren de temperatuur op basis van datagedreven relaties. De huidige machine learning modellen zijn echter meestal afgestemd op een enkele stad of een beperkte regio, wat resulteert in slechte prestaties voor steden met verschillende karakteristieken. Deze thesis onderzoekt de mogelijkheden om een machine learning model te ontwikkelen dat kan worden toegepast op steden over heel Europa.

De studie gebruikt ruimtelijke en temporele variabelen om een machine learning emulator van het numerieke UrbClim model te construeren. Daarnaast wordt het effect van het aantal steden in de trainingsset bestudeerd. Dit is cruciaal omdat grote datasets met numerieke trainingsdata, zoals die beschikbaar zijn gesteld voor UrbClim, vaak ontoegankelijk of rekenkundig te duur zijn om te verkrijgen

Dengue, een door muggen overgedragen virus, vormt een belangrijke wereldwijde bedreiging voor de gezondheid, vooral in tropische en subtropische gebieden. Met een toenemende incidentie en geografische verspreiding zijn effectieve vaccinatiestrategieën cruciaal voor het beperken van de gevolgen. Dit proefschrift onderzoekt het gebruik van
multi-objectieve multi-armed bandit (MOMAB) algoritmen om optimale vaccintoewijzing te identificeren voor de onderdrukking van dengue-epidemieën, waarbij medische werkzaamheid en monetaire kosten tegen elkaar worden afgewogen.

Het onderzoek gaat na of MOMAB-algoritmen efficiënt een subset van optimale vaccinatiestrategieën kunnen identificeren op basis van stochastische simulaties. Door het dengue-model van Recker et al. uit 2009 uit te breiden met ondersteuning voor vaccinatiestrategieën en leeftijdsheterogeniteit, simuleerden we de effecten van 53 verschillende strategieën.

We pasten verschillende MOMAB-algoritmen aan voor Pareto Front Identification (PFI) en stellen ook een volledig nieuw Top-two Pareto Front Thompson Sampling (TTPFTS) algoritme voor de PFI setting. Om de kwaliteit van de aanbevelingen van de beschouwde algoritmen te evalueren, hebben we drie metrieken ontwikkeld: de Bernoulli metriek, de Jaccard similarity metriek en de Hypervolume metriek.

Uit tests over 100 experimentele herhalingen met een beperkt budget van 30.000
simulaties bleek dat de algoritmen Pareto UCB1, TTPFTS en Pareto Thompson Sampling
consistent uitstekend presteerden in termen van efficiëntie en stabiliteit, en drastisch beter presteerden dan de momenteel gebruikte Uniform Sampling-methode.

De bevindingen tonen aan dat PFI MOMAB-algoritmen effectief zijn in het identificeren van optimale vaccinatiestrategieën voor de bestrijding van dengue op een efficiënte manier. Dit onderzoek draagt bij aan de optimalisatie van vaccinatieprogramma's en biedt een robuust besluitvormingskader voor volksgezondheidsfunctionarissen die geconfronteerd worden met de uitdaging van dengue-epidemieën. Het onderzoek onderstreept het potentieel van MOMAB-algoritmen om de strategische inzet van vaccins, ziektebeheer, en ziektebestrijding te verbeteren.

3D Gaussian Splatting (3DGS) is een veelbelovende techniek voor het reconstrueren van 3D-scènes en het bekijken ervan in real-time. Het is sneller dan andere methoden, zoals Neural Radiance Fields, maar vraagt veel opslagruimte.

In deze scriptie worden twee nieuwe methoden voorgesteld om 3DGS efficiënter te maken. De eerste methode verwijdert overbodige onderdelen uit het 3D-model, wat opslag bespaart en de weergavesnelheid verhoogt. De tweede methode reduceert de hoeveelheid gegevens die nodig is voor belichting in de scène. Samen zorgen deze technieken voor sterke compressie zonder de beeldkwaliteit merkbaar te verminderen.

Bijna tien procent van de Belgen lijdt aan gehoorverlies. Gelukkig kunnen gehoorapparaten vaak helpen, maar wat als die niet langer voldoende zijn? In dat geval kunnen gehoorimplantaten, en meer specifiek cochleaire implantaten, personen met ernstig gehoorverlies opnieuw laten horen. Net als de sterkte van je brilglazen moet je zulke gehoorimplantaten nauwkeurig afstellen op de noden van de drager. Deze scriptie onderzoekt hoe je dat automatisch kan doen, zodat echt iedereen met een cochleair implantaat geholpen kan worden.

Deze scriptie bevat een vergelijkend juridisch onderzoek naar klassieke en sociale media. Vanuit het onderzoek naar de democratische rol van beide types media, vergeleek ik de juridische kaders van klassieke en sociale media.

Accurate electricity price forecasting is critical in today’s volatile energy markets, particularly with the increasing penetration of renewable energy sources. This thesis aims to
compare the increasingly popular deep learning techniques with established statistical
models for electricity price forecasting in the Belgian day-ahead market. The comparative study uses a deep learning method called Long Short-Term Memory (LSTM) and
a statistical LASSO-Estimated Auto-Regressive (LEAR) model both in predicting price
values as well as quantifying their uncertainty. The main findings reveal that the LEAR
model outperforms the LSTM model in terms of accuracy and computation time. The
study emphasizes the importance of recalibration for improving forecasts and challenges the notion that deep learning models always outperform statistical methods.
The research contributes to the literature by providing insights into the effectiveness of
different forecasting models in the field of electricity price prediction.

Elk kunstwerk is onderhevig aan degradatie die veroorzaakt kan worden door een verscheidenheid aan factoren. De risico's die werken lopen zijn afhankelijk van de technieken en materialen die gebruikt werden door de kunstenaar. Conservatiemaatregelen proberen de degradatie van kunstwerken als gevolg van ouderdom of omgevingsfactoren te beperken door de opslag- en tentoonstellingsomstandigheden te controleren. Periodieke beeldvorming en fysisch-chemisch onderzoek zijn belangrijke conservatietaken. De meeste erfgoedinstellingen verzamelen en bewaren de vergaarde informatie over hun kunstcollecties digitaal. Deze data in combinatie met machine learning kan dienen als een essentiële bron van informatie en als een niet-invasieve methode voor diepgaande analyses van kunstwerken. De meeste conservatoren hebben echter niet voldoende kennis over machine learning om dit zelf te implementeren, wat betekent dat samenwerking met ingenieurs noodzakelijk is. Zij begrijpen op hun beurt niet altijd de uitdagingen binnen conservatieonderzoek. Deze masterthesis is dan ook bedoeld als een startpunt voor zowel conservatoren als ingenieurs die meer willen weten over de toepassingen van machine learning in kunstconservering. De focus ligt op vier grote thema’s binnen de conservatie van schilderijen: de leesbaarheid van technische beelden verbeteren, pigmentanalyse, detectie van schade, en voorspellen van schade.

Deze scriptie behandelt hoe computersimulaties gebruikt kunnen worden om dieren in de natuur na te bootsen, specifiek springspinnen. Met deze simulaties kan er zowel onderzoek gedaan worden naar het gedrag van de spinnen als naar mogelijke designs voor een springende robot. Om deze simulaties uit te voeren werd er gebruik gemaakt van evolutionaire algoritmen, om zo de ontwikkeling van het dier in echte evolutie na te bootsen.

Naarmate robots steeds belangrijker worden in diverse industrieën, krijgt de coördinatie van meerdere autonome robots in gedeelde omgevingen meer aandacht in onderzoek. Multi-Robot Systemen (MRS) beloven verhoogde efficiëntie, robuustheid en nieuwe mogelijkheden, maar brengen ook uitdagingen met zich mee, vooral op het gebied van bewegingsplanning. Dit geldt met name voor de coördinatie van meerdere manipulators, waarbij geavanceerde strategieën nodig zijn door de hoge dimensionale complexiteit van het probleem.

Traditioneel worden gekoppelde en ontkoppelde methoden gebruikt om het probleem van bewegingsplanning voor meerdere robots aan te pakken. Gekoppelde methoden hebben aanzienlijke schaalbaarheidsproblemen, omdat de reken- en geheugencapaciteit exponentieel toeneemt met elke extra vrijheidsgraad (DOF) in het systeem. Ontkoppelde methoden daarentegen zijn beter schaalbaar, maar leveren vaak suboptimale oplossingen en bieden geen garanties dat er een oplossing wordt gevonden, zelfs als die er is.

Dit onderzoek verkent een hybride aanpak tot bewegingsplanning, dat gebruikmaakt van Conflict-Based Search (CBS) als het low-level zoekalgoritme voor Probabilistic Roadmaps (PRM). Deze hybride benadering combineert de voordelen van zowel gekoppelde als ontkoppelde methoden. De effectiviteit van de hybride aanpak is geëvalueerd en vergeleken met beide methoden via Python-gebaseerde simulaties in twee experimentele opstellingen: één met vlakke manipulators in elkaars nabijheid en een andere met Franka Emika Panda-manipulators in PyBullet. De resultaten tonen aan dat CBS-PRM beter schaalt bij toenemende dimensionaliteit vergeleken met gekoppelde methoden, en dat het verbeterde slagingspercentages en efficiëntere paden oplevert ten opzichte van ontkoppelde methoden.

De ontwikkeling van deze hybride methode werd ondersteund door de creatie van een bibliotheek voor multi-robot bewegingsplanning, die de besproken algoritmen implementeert en benchmarking in verschillende scenario's ondersteunt. Hoewel de hybride aanpak aanzienlijke verbeteringen biedt, zijn er nog volop mogelijkheden voor verdere verfijning en optimalisatie.

Deze thesis onderzoekt de integratie van Federated Learning (FL) binnen het domein van het voorspellen van de hersenleeftijd met behulp van structurele Magnetic Resonance Imaging (MRI) scans. Door gebruik te maken van het FL-framework Flower stelt dit onderzoek medische instellingen in staat om samen voorspellende modellen te ontwikkelen en tegelijkertijd de gegevensprivacy te waarborgen en te voldoen aan regelgeving zoals GDPR en de California Consumer Privacy Act. Door domeinaanpassingstechnieken toe te passen om ervoor te zorgen dat de leeftijd op alle knooppunten vertegenwoordigd is, vermindert dit onderzoek de problemen die ontstaan door heterogene gegevensdistributies, waardoor de modelprestaties verbeteren. De bevindingen benadrukken de effectiviteit van het gebruik van voorgetrainde modellen, namelijk met algoritmen zoals FedProx, die cliëntdrift corrigeren en hun voordeel aantonen in scenario's met zeer scheve gegevensdistributies. Dit onderzoek onderstreept het potentieel van FL om competitieve modellen te produceren die geschikt zijn voor praktische toepassing in neuroimagingtaken. De implicaties reiken verder dan het voorspellen van de hersenleeftijd en suggereren bredere toepassingen in de gezondheidszorg, waar gegevensprivacy en samenwerkend leren cruciaal zijn. Deze thesis dient als een fundamentele inspanning, waarbij theoretische vooruitgang wordt samengevoegd met praktische toepassingen in de medische diagnostiek, en moedigt verdere verkenning en ontwikkeling in deze domeinen aan.

In deze masterproef is een model ontwikkeld dat toelaat om de functionaliteit van de bestaande laadpaalinfrastructuur te analyseren op basis van gegevens over historisch laadgedrag aan deze laadpaalinfrastructuur. Concreet gaat dit model, voor een dataset over historisch laadgedrag, periodes met mogelijke defecten voor een bepaalde laadpaal gaan identificeren, wat toelaat om enerzijds de beschikbaarheid van de laadpalen na te gaan voor deze periode en anderzijds om de dataset te kuisen. Dit laatste is zeer nuttig voor voorspellingsmodellen die ontwikkeld worden op basis van deze datasets.

Dit document omvat alle informatie rond het radar verkeersmonitor project. Eerst wordt er uitleg gegeven over
de stageplek, de doelstelling van het project en hoe deze tot stand zijn gekomen. Gevolgd door een
theoretische basis radar en signal processing om het project beter te begrijpen. Daarna wordt de gebruikte
hardware tot in detail besproken met nadruk op enkele mechanische eigenschappen en een kijkje binnen het
productieproces. Tot slot wordt de toegepaste software besproken.

In de huidige bedrijfswereld wordt de integratie van milieuverantwoordelijkheid met bedrijfsresultaten steeds belangrijker. Een van de grootste uitdagingen hierbij is het gebrek
aan transparantie en kwaliteit van broeikasgasdata (BKG) in Environmental, Social, and
Governance (ESG) rapporten. Dit probleem belemmert een nauwkeurige beoordeling van
de milieu-impact van bedrijven en vermindert het vertrouwen van stakeholders. In deze
studie wordt een procesgerichte benadering voorgesteld om de kwaliteit en transparantie
van BKG-data in ESG-rapporten te verbeteren. We ontwikkelen een methode die gebruik
maakt van Business Process Model and Notation (BPMN) en proces mining technieken om
BKG-data op een gedetailleerd en gestandaardiseerd niveau te integreren en te visualiseren. Deze aanpak maakt gebruik van een BPMN-extensie om nauwkeurige en verifieerbare data te verkrijgen en te rapporteren. De bevindingen laten zien dat de integratie van
BPMN en proces mining gedetailleerde inzichten kan bieden in de emissiehotspots binnen
bedrijfsprocessen. Dit kan bedrijven in staat stellen om gerichte emissiereductie KPI’s
vast te leggen en de algehele datakwaliteit en transparantie van hun ESG-rapportering te
verbeteren. Deze studie is een fundamentele stap richting een verbeterde standaard voor
ESG-rapportering die kan leiden tot betere vergelijkbaarheid en verhoogd vertrouwen
onder belanghebbenden.

Een hedendaagse uitdaging is de ontmanteling van kerncentrales. Het is daarbij belangrijk om de gecontamineerde gebieden in kaart te brengen. Deze scriptie onderzoekt hoe een Compton camera gebruikt kan worden om gammabronnen te lokaliseren.

De data die nodig zijn om algoritmes te bouwen die de gezondheid van mens en maatschappij zouden bevorderen zijn beschikbaar, echter vormt het bemachtigen van de benodigde data een groot obstakel.

Nucleaire fusie kan de toekomst van schone energie zijn, maar er zijn problemen met iets genaamd ELMs. Dit zijn plotselinge uitbarstingen van energie die de reactorwand kunnen beschadigen, vergelijkbaar met stoom die vrijkomt uit een snelkookpan. Deze thesis gebruikt AI om ELMs te vinden, wat onderzoek naar fusie-energie gemakellijker maakt.

Deze masterproef analyseert de mate waarin de transparantieverplichtingen in de Algemene Verordening Gegevensbescherming (AVG) en het Voorstel voor een Verordening betreffende Artificiële Intelligentie (Voorstel) samen betekenisvolle transparantie bieden ten aanzien van de aan het AI-systeem onderworpen personen bij de toepassing van artificiële intelligentie (AI). Deze analyse gebeurt aan de hand van een zelf ontwikkeld transparantiekader, gebaseerd op (en in lijn met) de reeds bestaande academische literatuur hieromtrent. Dit kader wordt op beide wetgevende instrumenten toegepast, op grond waarvan de juridische uitdagingen in de AVG en het Voorstel met betrekking tot het bereiken van betekenisvolle transparantie visueel kunnen worden waargenomen. Uit de integratie van beide transparantiekaders, wordt de mate waarin de AVG en het Voorstel betekenisvolle transparantie bieden ten aanzien van de aan het AI-systeem onderworpen personen, visueel geïllustreerd.

Data analytics has been a major part in American football to allow for evaluation of both player and team performances, with a significant amount of data being readily available. Here, a more in-depth analysis in the area of pass rushing and pass blocking will be done by using K-Nearest Neighbor (KNN) machine learning models to find a more precise metric of determining pressure created by the pass rush. Additionally, KNN would be used to predict the motion of a pass rusher, which would then be used to predict pressure created in that new location, allowing for the creation of an entirely new metric, by comparing the true pressure with the predicted one. An extensive analysis with these new metrics would then be conducted, giving American football players and coaches new insights into player and team performances, which can be used to improve the quality of the game, by the means of performance, while at the same time creating new ways of focusing on the safety of the Quarterback. Finally, a dashboard was build on an HTML-based webpage, visualizing the new metrics for a better understanding of its concepts.

In mijn thesis werd onderzocht wat de detectielimiet is voor verschillende types supernovae met de geplande Einstein Telescope, gevoelig voor zwaartekrachtsgolven. Verder werd er onderzocht in hoeverre machine learning de verschillende eigenschappen van de supernovae kan achterhalen door te kijken naar hun zwaartekrachtsgolfsignaal. Er werd geconcludeerd dat er niet genoeg supernova modellen bestaan om machine learning op dit moment al toe te passen, maar dat als de training set wel groot genoeg is, dit wel mogelijk moet zijn.

Deze thesis voert diepgaand onderzoek uit naar zowel het wettelijke als het maatschappelijke kader omtrent pornografische deepfakes. Het hoofddoel was tweeledig: allereerst te onderzoeken of er bestaande juridische mechanismen zijn om slachtoffers van pornografische deepfakes te ondersteunen, en ten tweede te verkennen of dit fenomeen kan worden ingebed in een bredere context van genderongelijkheid. Dit onderzoek werd uitgevoerd door middel van een uitgebreide literatuurstudie gevolgd door interviews met 17 experten, variërend van beleidsmakers tot belanghebbenden, uit zowel België als Nederland.

Een toolpath techniek is ontwikkeld waarmee het mogelijk is om geperforeerde panelen te creeeren met de technologie van 3D beton printen. Dit resulteert is een semi-controleerbare nieuwe vormentaal.

Elektronen energieverlies spectroscopie (EELS) is een populaire analytische techniek die zeer direct informatie levert over de chemische samenstelling van een materiaal. Deze thesis gebruikt deep learning en en eigen gesimuleerde EELS dataset om automatisch EELS data te vertalen naar chemische info. Hierbij wordt de tussenkomst van een menselijke expert overbodig.

In Point Cloud Registration (registratieprobleem) worden twee puntenwolken gealigneerd met elkaar. Deze scriptie vergelijkt verschillende registratie-algoritmes op accuraatheid, snelheid etc. De puntenwolken worden gescand met een 3D-camera en gemaakt uit een 3D-model, van hetzelfde voorwerp.

Het genereren van fysisch correcte beelden in video games is computationeel gezien een zeer zware taak. Om dit mogelijk te maken, wordt er gebruik gemaakt van het zogenaamde path tracing of ray tracing algoritme. In deze scriptie bekijken we hoe we het path tracing algoritme schaalbaar kunnen maken voor vele gebruikers, waarbij de berekeningen gedaan worden door een centrale server.

Deze studie toont aan dat thermografie potentieel heeft als toekomstige detectiemethode voor huidtumoren. De onderhuidse parameters van huidtumoren worden voorspeld, wat voordelen biedt bij de detectie en behandeling ervan.

Deze scriptie bevat onderzoek naar meer efficiënte en routinematige screening en kwantificatie-methoden voor Pyrrolizidine-alkaloïden in commerciële thee preparaten.

Met deze bachelorproef, maakte ik een lessenpakket dat de eindtermen rond computationeel denken in de tweede graad behandelt. Om een goed lessenpakket te ontwikkelen, is er eerst
een online enquête doorgestuurd naar scholen in het Waasland met een tweede graad. Uit deze enquête bleek dat de programmeertaal Python het meest gebruikt wordt. Na analyse van de verschillende IDE’s die gebruikmaken van Python als programmeertaal, heb ik de IDE Thonny gekozen als de meest gebruiksvriendelijke voor deze bachelorproef. Het eindproduct is een lessenpakket dat gebruikmaakt van de IDE Thonny en splitsbaar is over de twee leerjaren van de tweede graad. Het product, dat geschreven is voor richtingen in de doorstroomfinaliteit, is uitgetest in de praktijk.

Ik onderzoek eigenschappen van het Groenlandse ijs en maak een algoritme die simuleert hoe radiogolven hierin propageren. De werking van het ijs snappen is nodig om neutrinos gedetecteerd in dit ijs aan de hand van de detector RNO-G te kunnen analyseren.

Biedt het Belgisch algemeen bestuursrecht afdoende waarborgen teneinde een transparante aanwending van algoritmische systemen in de overheidsbesluitvorming te kunnen waarborgen?