Scriptiebank overzicht

Age-related macular degeneration (AMD) is the leading cause of blindness in developed countries and currently affects over 200 million people worldwide—a figure projected to reach 300 million by 2040 (Wong et al., 2014). Despite this high prevalence, most assistive reading technologies continue to prioritize magnification or contrast enhancements, offering limited support for the specific visual challenges posed by central vision loss. In particular, the potential of typography, despite its ubiquity, remains underutilized as an adaptive tool for addressing the specific demands of peripheral vision.

This thesis responds to this gap by proposing a hypothesis-driven reading system that integrates adaptive typography, kinetic text presentation, and eccentric viewing support. Grounded in interdisciplinary evidence from typographic research, vision science, low vision rehabilitation, and reading technology, the project repositions typography as an active contributor to accessible reading.

Two key outcomes were developed: Locus Serif, a variable typeface optimized for peripheral legibility through research-led modifications of multiple typographic parameters, including stroke weight (set between 22–33% of x-height), low stroke contrast, increased x-height, adjustable letter width (narrowing in the foveal region and widening toward the periphery), and scalable serif length (shortened progressively to maintain spatial balance with wider forms). These coordinated adjustments also influence the typeface’s visual rhythm, aiming to achieve an effective balance between heterogeneity and homogeneity—critical for supporting word segmentation and perceptual clarity in peripheral reading. The second component, ReSight, is a horizontal scrolling reading interface aligned to the user’s Preferred Retinal Locus (PRL), incorporating optional PRL calibration via a simplified Amsler grid, high-contrast display, fixation support, and adjustable scrolling controls.

Together, these components demonstrate how typographic design, when grounded in scientific research and implemented responsively, can enhance reading accessibility for individuals with central vision loss. The project offers a design-led framework that invites future empirical validation and potential integration into assistive reading technologies across platforms and scripts.

Mensen worden dagelijks blootgesteld aan vele chemicaliën, waarvan de effecten op onze gezondheid vaak onbekend zijn. Omdat we aan meerdere stoffen tegelijk worden blootgesteld, is het cruciaal om niet alleen naar individuele stoffen te kijken, maar naar de gehele cocktail. Het onderzoek vergelijkt verschillende statistische methoden voor het schatten van individuele en gezamenlijke effecten. Hierbij ligt de focus op PFAS in humane biomonitoringstudies. Resultaten tonen aan dat verschillende ‘multi-pollutant’ methodes de effecten van volledige PFAS-cocktails beter detecteren dan traditionele technieken. Tegelijk laten de resultaten zien dat methoden die de cocktail negeren tot misleidende conclusies kunnen leiden. Bovendien blijken gezamenlijke effecten vaak makkelijker te detecteren dan individuele effecten. De studie benadrukt dat de juiste methodologie essentieel is om complexe milieu- en gezondheidsvragen te begrijpen en vormt een basis voor een effectievere risico-inschatting in de toekomst.

De afvoer van smeltwater uit de gletsjers van het Tien Shan-gebergte in Kirgizië is van cruciaal belang voor de samenleving en economie in de stroomafwaarts gelegen vlaktes. In het droge Centraal-Azië is de landbouw sterk afhankelijk van irrigatie met dit water. De gletsjers functioneren als watertorens: ze herverdelen de schaarse neerslag over de seizoenen, wat grootschalige landbouw mogelijk maakt. Door klimaatverandering trekken de gletsjers zich echter snel terug, waardoor de inwoners van de vlaktes hun belangrijkste inkomensbron dreigen te verliezen.

Het doel van deze thesis is het evalueren van het Instructed Glacier Model (IGM). Dit
model gebruikt een neuraal netwerk als emulator om ijsstroming te beschrijven, wat computationele voordelen oplevert en het mogelijk maakt het model zowel invers (interpoleren van ijsdiktemetingen) als voorwaarts (voorspellen van gletsjerevolutie onder klimaatscenario’s) te gebruiken. De prestaties worden vergeleken met klassieke ruimtelijke interpolatiemethoden, zoals de vloeispanningsmethode, en met een hoger-ordemodel dat de gletsjerevolutie simuleert.

De evaluatie vindt plaats op de Batysh-Sook-gletsjer in de Tien Shan. De resultaten tonen dat het ge¨ınverteerde IGM consistente, nauwkeurige en gladde ijsdiktevelden genereert. Vooral in schaars bemonsterde zones presteert het model beter dan de
conventionele vloeispanningsmethode. Voor de gletsjerevolutie laten zowel IGM als het hoger-ordemodel zien dat de Batysh-Sook-gletsjer gevoeliger is voor opwarming dan veel omliggende gletsjers, waarschijnlijk door haar kleine huidige omvang. IGM volgt de trends van het hoger-ordemodel goed, al simuleert het in de historische periode iets minder smelt, waardoor het gletsjervolume groter blijft.

Deze bevindingen tonen aan dat IGM een veelbelovend instrument is voor zowel ijsdikteinterpolatie als projectie, vooral in gebieden met beperkte veldmetingen. Betere modellering van gletsjers zoals de Batysh-Sook kan leiden tot nauwkeurigere voorspellingen van toekomstige waterbeschikbaarheid, wat van groot belang is voor wetenschappelijk onderzoek en voor duurzaam waterbeheer in Centraal-Azië.

Mycotoxinen—kankerverwekkende gifstoffen geproduceerd door bepaalde schimmels—vormen een ernstige bedreiging voor de voedselveiligheid door contaminatie van basisgewassen zoals tarwe en maïs. Deze masterproef ontwikkelt een snelle, niet-destructieve en niet-invasieve detectiemethode die optische spectroscopie combineert met machine learning om meerdere mycotoxinen tegelijk op voedingsproducten te detecteren. Door fluorescentie- en reflectantiespectroscopie te integreren met golflengte-selectie toont het werk aan dat zowel classificatie- als regressiemodellen aan de regelgeving kunnen voldoen met slechts de 10 meest informatieve golflengten, terwijl classificatienauwkeurigheden van >90% haalbaar blijven. Dit minimalistische sensorkoncept maakt real-time triage en batchbrede monitoring mogelijk, zowel inline in industriële processen als in-field.

Koper-nanodeeltjes (Cu NP's) hebben een brede toepasbaarheid, maar hun synthese is gevoelig voor kleine veranderingen in reactieparameters. Deze gevoeligheid, in combinatie met het tijdrovende en arbeidsintensieve karakter van experimentele optimalisatie, vormt een grote uitdaging voor reproduceerbare synthese met gecontroleerde deeltjesgrootte. Bovendien is Machine Learning (ML) weliswaar veelbelovend gebleken voor materiaalonderzoek, maar wordt toepassing ervan vaak beperkt door gebrek aan hoogwaardige experimentele datasets. Deze studie onderzoekt ML om de grootte van Cu NP’s gevormd met microgolf geassisteerde polyolsynthese te voorspellen met kleine datasets, gegenereerd uit 25 intern uitgevoerde syntheses. Latin Hypercube Sampling wordt gebruikt om de parameterruimte van precursorconcentratie, temperatuur en reactietijd efficiënt te samplen. Ensemble-regressiemodellen, gebouwd met het AMADEUS-framework, voorspellen met hoge nauwkeurigheid de deeltjesgrootte en presteren daarmee beter dan klassieke statistische benaderingen. Featureselectie vermindert complexiteit van het model en verbetert generaliseerbaarheid. Daarnaast worden classificatiemodellen, gebaseerd op zowel traditionele random forests als Large Language Modellen (LLM’s), geëvalueerd om onderscheid te maken tussen grote en kleine deeltjes. Terwijl random forests matig presteren, bieden LLM’s geen duidelijke verbeteringen in omstandigheden met weinig gegevens. Over het algemeen toont dit onderzoek dat zorgvuldig samengestelde kleine datasets, in combinatie met robuuste klassieke ML, synthese van Cu NP's effectief kan voorspellen en dat voor laboratoriumonderzoek complexe LLM's geen voordelen bieden.

This thesis explores how machine learning can be used to detect sound sources in historical photographs, with the aim of developing a model that can be used for historical soundscape reconstruction. While machine learning, and more specifically object detection, is increasingly being used in heritage studies, its application on historical photographs is largely unexplored.
The research is divided into four stages. First, three object detection models, YOLOv8, Faster R-CNN, and RetinaNet, were benchmarked on both modern and historical datasets to assess their baseline performance, without any training. Although all models performed significantly worse on historical photographs, YOLOv8 showed the smallest drop in accuracy. In the second and third parts, YOLOv8 was fine-tuned on two classes of sound-producing objects: an existing COCO class, “train”, and a newly added class, “carriage”. In total, over 1600 photographs were annotated for the various datasets. While the modest dataset size and limited computational resources influenced the performance of the custom models, the research nevertheless offers some interesting insights into the potential and limitations of applying object detection to historical photographs. In the last stage, a custom CycleGAN model was trained to transform modern images into a historical style and vice versa, helping to generate training data and reduce the need for manual annotation. The thesis demonstrates the feasibility of using object detection on historical photographs for historical soundscape research and highlights promising directions for future work on machine learning and heritage studies.

Wat als je muziek niet alleen kon horen, maar ook kon proeven? Taste the Music vertaalt liedjes naar volledig nieuwe cocktails met behulp van slimme AI. Tijdens mijn stage in de VS tilde ik dit idee van studentproject naar internationaal platform, met multi-agent AI, stand-alone cocktailrobots en een iOS-app voor thuisgebruik. Het resultaat is een ervaring die persoonlijk, deelbaar én commercieel relevant is voor artiesten en merken. Deze scriptie vertelt hoe technologie, creativiteit en ondernemerschap samenkomen in een innovatie die muziek letterlijk smaak geeft.

Deze masterproef onderzoekt hoe batterijsystemen optimaal kunnen worden aangestuurd in een context van dynamische elektriciteitsprijzen en het Belgische capaciteitstarief. De focus ligt op industriële verbruikers, waarbij gestreefd wordt naar het minimaliseren van de totale energiekost.
Een nieuw Rolling Horizon Linear Programming (RHLP)-algoritme werd ontwikkeld en
vergeleken met een eenvoudig heuristisch basisalgoritme. Het RHLP-algoritme gebruikt PV-opbrengst, dynamische prijzen en verbruiksvoorspellingen op basis van Extreme Gradient Boosting (XGBoost) om de laad- en ontlaadbeslissingen te optimaliseren over een tijdshorizon van 48 uur. Deze horizon schuift mee met de tijd (rolling
horizon), waarbij de optimalisatie om de 15 minuten wordt herhaald. De PV-opbrengst
werd in de standaardconfiguratie benaderd via werkelijke historische waarden.
De algoritmes werden geëvalueerd aan de hand van uitgebreide simulaties op reële
verbruiksprofielen en historische Belpex-prijsdata. De resultaten tonen aan dat onder
de juiste omstandigheden het RHLP-algoritme tot 20% kostenbesparing kan realiseren
in vergelijking met het basisalgoritme.
Nacht- en weekendverbruik bleek een bepalende factor in de behaalde optimalisatiewinst, wat duidt op een duidelijke invloed van het verbruiksprofiel op het prestatiepotentieel van het algoritme. Daarnaast bleken ook parameters zoals batterijcapaciteit
en prijsschommelingen op de markt van doorslaggevend belang voor de gerealiseerde
resultaten.
Dit onderzoek toont aan dat batterijsturing op basis van verbruiksvoorspellingen via
lineaire optimalisatie kostenbesparingen kan opleveren.

Een internationaal programma waarin technische onderwerpen aan bod komen, vereist zorgvuldige aandacht. Het is belangrijk om studenten te betrekken bij verschillende onderwerpen op het gebied van technologie. Daarnaast is een grondige voorbereiding noodzakelijk om ervoor te zorgen dat studenten volledig voorbereid zijn op het programma.

Tijdens de voorbereidingsfase moet het technische doel van het programma, dat een week duurt, duidelijk worden gecommuniceerd. Het technische doel van dit programma is het verbeteren van de Overall Equipment Effectiveness (OEE) van een stoommachine. Het proces begint met het verzenden van gegevens via een Programmable Logic Controller (PLC) via MQTT-communicatie naar een broker. Met behulp van NodeRED kunnen deze gegevens worden gevisualiseerd en met een Python-script kunnen ze worden vastgelegd in een dataset. Met deze dataset kan een AI-model worden geselecteerd en getraind. Het model moet vervolgens de trend van de gekozen output zo nauwkeurig mogelijk voorspellen. Het programma duurt een week, waarin alle stappen worden uitgevoerd om het AI-model te optimaliseren en de OEE te maximaliseren.

Deze thesis behandelt het black-box-probleem van machine learning (ML) en het daaruit voortvloeiende gebrek aan gebruikersvertrouwen bij beursvoorspellingen. Er wordt een beslissingsondersteunend systeem geïntroduceerd en geëvalueerd dat de betrouwbaarheid verhoogt. Het systeem combineert hiervoor de voorspellingen van zes uiteenlopende ML-modellen met een transparante, historische analyse. De kerninnovatie is een zoekmachine die historisch vergelijkbare marktperioden identificeert. Vervolgens toont het systeem hoe de modellen in die analoge situaties presteerden: het plaatst hun toenmalige voorspellingen naast de daadwerkelijke marktresultaten.

Een empirisch gebruikersonderzoek vergeleek deze “Multiple Models View” (MMV) met een simplistische interface die slechts één model toonde. De resultaten tonen aan dat de MMV significant betrouwbaarder werd gevonden, het vertrouwen van gebruikers verhoogde en de risico's van voorspellingen effectiever communiceerde. Gebruikers schreven dit toe aan de grotere transparantie, omdat ze meerdere modellen konden vergelijken, en aan de concrete context die de historische prestatie-analyse bood. De thesis concludeert daarom dat de combinatie van meerdere modellen en een historische similariteitsanalyse een krachtige strategie is om weloverwogen gebruikersvertrouwen in complexe, AI-gedreven financiële systemen te creëren.

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

Solar power forecasting is essential for optimizing energy use in residential households.
Machine learning models are promising for this power forecasting because they can
capture its non-linear characteristics. Nonetheless, these models require a significant
amount of data that is unavailable for new installations. To overcome the limited
data availability, this thesis proposes a transfer learning model using Long ShortTerm Memory (LSTM) networks trained on synthetic photovoltaic (PV) generation
provided by the Photovoltaic Geographical Information System. Using the metadata
about a PV installation, this synthetic data simulates the past production of the
new PV installation. The model utilizes Numerical Weather Predictions (NWP)
and autoregressive covariates. This proposed model is compared to benchmarks,
including models trained only on sites’ actual PV power, physical models, and TL
models with no weather covariates.
The research investigates the effect of physics-informed variables on the accuracy
of transfer learning. Furthermore, it examines the usage of reanalysis data to train
with synthetic PV data due to the low accessibility of historical Numerical Weather
Prediction output. Walk-forward validation is employed for forecasting the actual
PV power to simulate real-life conditions and the impact of increasing target data.
The results demonstrate that models trained with historical Numerical Weather
Prediction data achieve higher zero-shot forecasting accuracy. Contrary to expectations, including physics-informed variables did not enhance performance; in fact,
it showed a slight decrease. Additionally, models trained on reanalysis data catch
up with those trained on historical NWP data once limited target data becomes
available.
Discussion highlights include the impact of Storm Darcy in February 2021, which
caused instability in machine learning models and the suitability of other ML models.
The proposed LSTM-based transfer learning model can provide accurate forecasts
even with no or limited actual PV power data, proving its potential for practical
applications in solar power forecasting for residential households.

De voorbije paar jaar is de populariteit van kunstmatige intelligentie (artificial intelligence, kortweg AI) enorm toegenomen. We worden er overal mee geconfronteerd en deze trend roept veel vragen op. Eén van de sectoren die de impact van deze trend ervaart is de vertaalsector. Vertaalbedrijven en vertalers moeten zich aanpassen aan deze vernieuwing. Wat is de impact op het vertaalproces bij professionele vertalers? Gebruiken vertalers AI en in welke mate vergemakkelijkt dit het vertaalproces? Hoe evolueert de vraag naar vertaalbureaus, vertalers en hun vertaaldiensten?
In de desk research van dit onderzoek wordt aangehaald dat AI geen eenzijdige definitie heeft en op veel manieren kan beschreven worden. Daarna beschrijven we de verschillende soorten artificiële intelligentie en de beperkingen en voordelen ervan. Ook de evolutie van AI over de jaren heen wordt beknopt beschreven. Vervolgens worden de verschillende AI-vertaalsystemen geanalyseerd, alsook de diversiteit aan AI-vertaaltools. Als voorbereiding op de field research werd ook onderzoek gedaan naar het gebruik van AI bij professionele vertalers. Tot slot beschrijft het onderzoek ook kort de meest recente versie van ChatGPT in de ‘last minute’.
Om op de onderzoeksvragen te antwoorden deed het onderzoek naast desk research ook field research, waarbij het een kwalitatieve benadering gebruikt. Het kwalitatief onderzoek werd uitgevoerd door middel van diepte-interviews met 15 vertalers. De interviews geven diepgaande inzichten in de ervaringen en percepties van vertalers rond het gebruik van AI-tools in het vertaalproces.
De respondenten werden via verschillende platformen zoals GentVertaalt, LinkedIn en verschillende vertaalbureaus gecontacteerd. De steekproef omvat zowel ervaren vertalers als nieuwkomers, werkzaam in verschillende sectoren (juridisch, medisch, economisch, etc.). Dit zorgt voor een variatie in profielen, waardoor dit onderzoek een genuanceerd antwoord kan bieden op de onderzoeksvragen.
Tijdens het onderzoek en de gesprekken met de professionele vertalers werd duidelijk dat vertalers terughoudend zijn tegenover artificiële intelligentie, maar AI-vertaaltools wel al op een kritische manier implementeren in hun vertaalproces. Generatieve AI en machinevertaling komen vooral van pas om inspiratie op te doen en te gebruiken als een assistent. Het werd duidelijk dat vertalers weinig schrik hebben om vervangen te worden door AI en het plezier in hun job niet zomaar laten wegnemen. AI blijft zich snel ontwikkelen en het is belangrijk om als vertaler de technologie te omarmen en er behoedzaam mee om te gaan. Daarnaast blijft de combinatie van een CAT-tool (Computer-Assisted-Translation-tool) met een AI-plug-in een aanrader om op vlak van kostenefficiëntie een effect op het vertaalproces te ervaren.

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 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.

De bachelorproef, getiteld "AI-evolutie in vliegtuigonderhoud: Efficiëntie in MRO-processen," onderzoekt de integratie van artificiële intelligentie (AI) in onderhouds-, reparatie- en revisieprocessen (MRO) in de luchtvaartindustrie. De focus ligt op hoe AI-technologieën zoals machine learning en computer vision kunnen bijdragen aan verbeterde efficiëntie, kostenbesparingen en verhoogde veiligheid binnen deze sector.

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.

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

Onderzoek naar gebruik van sensoren in management van immuun-gemedieerde inflammatoire aandoeningen.

In deze scriptie worden nieuwe oplossingen van de snaartheorie, bekend als 'holographic RG flows', geconstrueerd aan de hand van methodes geïnspireerd door algoritmes uit het domein van machine learning.

Een enorm voorgetraind taalmodel (GPT2) wordt gebruikt om elektro-encefalografie te classificeren. Zo wordt nagegaan of er een verband is tussen taal en elektrische hersengolven, in de hoop inzicht te krijgen in algemene hersengolf patronen.

Recent waren er verschillende overnames binnen de game-industrie. Deze kaderden veelal in de strijd
om de meta-verse. Ook in vele andere sectoren zijn mergers and acquisitions (M&A) belangrijk voor
de groei van de ondernemingen. De literatuurstudie in dit onderzoek onderscheidt drie domeinen
waarin machine learning kan bijdragen in het M&A-proces. Zo kan machine learning ingezet worden
om het voltrekken van M&A te voorspellen, te voorspellen wat de voordelen zijn van M&A of om de
waardering van een onderneming te voorspellen. In dit onderzoek worden verschillende machinelearningmodellen vergeleken voor het waarderen van startups binnen de M&A-context. XGBoost en
neural networks bewijzen hierbij een verbetering te zijn ten opzichte van eenvoudigere modellen zoals
lineaire regressie.

Autisme is een complexe en heterogene ontwikkelingsstoornis die moeilijk te diagnosticeren is op jonge leeftijd. Kunnen we a.d.h.v. hersengolven en machine learning achterhalen welke kinderen een risico lopen op het ontwikkelen van autisme?

In dit project vertrekken we vanuit de VDJ db. Dit is een publiekelijke data bank met TCR epitoop koppels waarvoor er een binding werd gedetecteerd. Deze data bank wordt gebruikt om machine learning en deep learning modellen te bouwen. Het ultieme doel is uiteindelijk om 1) voor een nieuw TCR epitoop koppel, de kans op een binding te bepalen en 2) voor een epitoop een geschikte TCR te bouwen zodanig dat de kans op de binding tussen het epitoop en de gebouwde TCR groot is.

Wat zegt u, ik heb u niet goed verstaan? 1 op 10 Belgen lijdt aan gehoorverlies en spreekt deze zin dagelijks uit. Wat als we slimme hoorapparaten zouden kunnen ontwerpen, die hersengolven gebruiken om op het juiste moment in te schakelen? Dit wordt realiteit door te detecteren wanneer iemand actief aan het luisteren is. Telepathie zegt u? Nee, technologie!

Maar hoe werkt deze technologie dan precies?

Aan de hand van machine learning algoritmes wordt informatie gehaald uit gesimuleerde waarnemingen van zwaartekrachtsgolven afkomstig van supernovae. Het slagen hiervan bewijst dat het mogelijk is om de nodige zaken te leren uit een detectie, ook al kan er op voorhand geen exact passend model voor worden opgesteld.

Een veelgebruikte taak om beter te verstaan hoe mensen gebruik maken van doelgericht en gewoontegedrag werd recentelijk gesuggereerd niet optimaal te zijn om de balans tussen doelgericht en gewoontegedrag te meten. Wij wilden testen of dit het geval is en of we het gedrag in de taak beter kunnen begrijpen op een andere dimensie van gedrag. Het huidige onderzoek toont aan dat dit werkelijk het geval is en kaart aan dat toekomstig onderzoek een aantal factoren in rekening moet houden wanneer ze deze taak willen gebruiken.