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.

Leercurves worden gebruikt om de impact van een beperking op de leersnelheid en de output te analyseren. Dit onderzoek werd toegepast op productiedata uit een maatwerkbedrijf.

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.

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 toenemende adoptie van elektrische voertuigen brengt nieuwe uitdagingen met zich mee op het gebied van fraudepreventie en -detectie. Dit onderzoek richt zich op het ontwikkelen van AI- ondersteunde datavisualisatietechnieken binnen een webapplicatie, om frauduleuze activiteiten, zoals 'vehicle-to-grid'-detectie, 'charge pass fraud', en abnormaal gebruik, te identificeren en te analyseren binnen de groeiende markt van elektrische voertuigen en oplaadinfrastructuur.
De methodologie omvat een literatuurstudie naar machinelearningalgoritmen en frameworks voor zowel de frontend als de backend van de webapplicatie. Relaties in de database werden opgezet met foreign keys en kolommen werden geïndexeerd om prestaties te verbeteren. Er werd een visuele data-analyse uitgevoerd, een isolation forest-algoritme werd ontwikkeld om anomalieën te detecteren, en een API werd gecreëerd voor toegang tot data en resultaten. Tot slot werd een webapplicatie ontwikkeld voor de visualisatie van anomalieën.
De resultaten van dit onderzoek omvatten de ontwikkeling van een operationele webapplicatie met behulp van het Vue.js framework en een REST API gemaakt met FastAPI. Deze webapplicatie is in staat om frauduleuze activiteiten te detecteren en te visualiseren met behulp van het isolation forest AI-algoritme. Deze resultaten dragen bij aan een betere detectie van frauduleuze activiteiten binnen het EV-oplaadecosysteem, wat essentieel is voor het behoud van de integriteit van de oplaadinfrastructuur en het vertrouwen van gebruikers.

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.

Deze masterthesis richt zich op het ontwerpen, ontwikkelen en evalueren van een learning analytics dashboard, specifiek gericht op leraren in het middelbaar onderwijs. Het dashboard biedt een visueel overzicht van essentiële informatie. Het doel is om leraren in het secundair onderwijs te ondersteunen door hen de nodige informatie te bieden om een beter begrip van hun studenten te krijgen, weloverwogen beslissingen te nemen en administratieve taken te verminderen.

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.

Hartritmestoornissen zijn één van de grootste doodsoorzaken in de Westerse wereld. Machine learning wordt al lang succesvol gebruikt om deze op te sporen, maar werd nog niet toegepast op mapping data. Deze scriptie bespreekt kort het beperkte succes van het uitbreiden van machine learning analyse op dit datatype.

Hoe kan je binnenkijken in het digitale brein van een AI? Dit werk focust zich op Explainable Artificial Intelligence (XAI) en een techniek om het gedrag van een Deep Reinforcement Learning (DRL) agent over te brengen naar een meer interpreteerbaar model. We verbeteren een recente techniek, dat van neurale bomen in combinatie met knowledge distillation, met een adaptieve vorm die ons kleinere en beter verstaanbare modellen oplevert.

Deze thesis combineert de wetenschapstakken 'quantum computing' en 'machine learning' met als doel om onze klassieke computers te overklassen. De focus ligt op het ontwerpen en analyseren van een nieuw rekenkundig model.

Evaluatie en differentiatie van dystonie en choreoathetose loopt moeizaam in de populatie met een dyskinetische vorm van hersenverlamming. Inzet van technologie in staat gedetailleerd data te bekomen en verwerken kan leiden tot meer accurate diagnosticering en behandeling, alsook een toegenomen kennis omtrent deze zeldzame aandoening. Deze studie was pionier in het valideren van een automatische differentiatie van dystonie en choreoathetose tijdens functionele taken van het bovenste lidmaat. Hiervoor werd gebruik gemaakt van innovatieve technieken zoals driedimensionale bewegingsanalyse en machine learning.

In onze masterproef hebben we de mogelijkheden van een energiebewaking voor de industrie op basis van A.I. en meer bepaald op basis van machine learning onderzocht.

Wat is het effect van influencers van influencers op merkbetrokkenheid in de categorieën fashion, beauty en food op Instagram?