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.

Metacognition, the ability to think about one's thinking processes, is vital for
professional performance, academic achievement, and mental health. However, its
ambiguous nature and subjective measurement techniques across various fields have
posed significant challenges to research. Cognitive neuroscience offers a unique
solution by providing objective measurements that link metacognition to brain activity,
thereby establishing a ground truth. Recently, the convergence of explainable artificial
intelligence (XAI) and perceptual decision-making, a subsection of metacognition
within cognitive neuroscience, has led to the development of the WaveFusion
framework. This innovative framework holds the potential to contribute to the
unification of the fragmented metacognition research fields.
The aim of this thesis was to enhance the WaveFusion framework, an explainable
deep learning model, to classify metacognitive sensitivity and confidence using EEG
data. The objectives were (1) to achieve a classification accuracy of 95% for
metacognitive sensitivity, (2) to improve the accuracy for metacognitive confidence to
97.5%, and (3) to identify key ambiguities and limitations in metacognition research.
This study utilized an EEG dataset with event-related potentials (ERP) responselocked for type 1 decisions. Data preprocessing addressed dataset imbalances
through augmentation and balanced batch sampling. EEG samples were transformed
into spectrograms and processed using the deep learning architecture comprising a
Lightweight Convolutional Neural Network (LWCNN), a Squeeze and Excitation
Network (SEN), and a classification network. The model was pre-trained using Subject
Aware Contrastive loss (SAC) and trained with binary cross-entropy loss. SEN
facilitated the models explainability by visualizing the created attention weights
through topoplots, providing insights into brain areas used for classification.
The WaveFusion model achieved high classification accuracy, reaching 99.7% for
metacognitive confidence and 99.1% for metacognitive sensitivity. These
improvements were due to a larger selection of electrodes, response-locked ERP
data, and increased dataset size. The WaveFusion model not only demonstrates high
classification accuracy but also offers enhanced explainability. This allows the
framework to contribute to three major ambiguities: (1) the relationship between
metacognition and executive functions, (2) its connection to consciousness, and (3)
the domain generality of metacognition. By leveraging the WaveFusion framework, we
can overcome limitations in cognitive neuroscience research through (1) utilizing
transfer learning to compare relationships, (2) employing automatic classification to
investigate ecological validity, and (3) expanding the framework for multimodality to
integrate insights across various fields.
Future research should focus on increasing data variability, addressing outlier
performances, and improving interpretability through advanced visualization
techniques to enhance the WaveFusion model’s robustness and applicability across
cognitive neuroscience domains.

Deze thesis onderzoekt de voortdurende inspanningen van steden om hun uitstoot van broeikasgassen te verminderen aan de hand van het voorbeeld van Kuregem, een wijk in Brussel. Het onderzoek kijkt naar de ruimtelijke en sociale dimensies van deze transitie, benadrukt de beperkingen van de huidige technocentrische benaderingen en onderstreept de behoefte aan geïntegreerde ontwerpstrategieën die collectieve actie combineren met klimaatadaptatie. Sommige nadelige effecten van de huidige benaderingen worden besproken, in het bijzonder de 'Performance Gap' met betrekking tot energie-efficiënte gebouwen. De sociale implicaties van grootschalige energie-infrastructuurprojecten worden besproken en geïllustreerd aan de hand van een concrete case in Rotterdam. Door middel van een ontwerpend onderzoek, waaronder historische en morfologische analyse, ruimtelijk ontwerp en fotografisch onderzoek, worden verschillende benaderingen verkend door middel van straatontwerpen, collages, kaarten en scenario's. Als conclusie van het ontwerponderzoek pleit deze dissertatie voor een geïntegreerde benadering van stedelijke energietransities die prioriteit geeft aan lokale veerkracht en betrokkenheid van de gemeenschap. Hiaten in het begrip van hoe sociale factoren de vraag naar energie in wijken beïnvloeden worden geïdentificeerd.

Few fields in human life benefit from what we call ‘climate change’. The consequences of climate change become apparent and are obstructing–sometimes taking–our lives. This is reason enough to anticipate them and implement mitigation and adaptation strategies through policymaking. However, climate model outputs are plagued with uncertainty; this fact evokes controversy about how they should be interpreted, communicated, and used in decision-making. What do these models tell us and should we base any policy decisions on their outcomes if these are highly uncertain? To warrant our trust in the model outcomes regarding decision-making, the sources of and reasons for the uncertainty should be well-understood.
In this thesis, I investigate the emergence of uncertainty in climate model projections. More precisely, I examine what elements throughout the modelling process are the reason for the uncertainty in the outcomes and how this should be interpreted. Is trust in the outcomes warranted? I evaluate this question as a philosopher of science, conducting a philosophical analysis of the climate modelling process and the concepts related to it.
I cast light on the question by analysing climate modelling in three main ways: through a conceptual analysis of ‘model’, ‘climate’, and ‘system’, through an analysis of the experience of ‘climate’, and from a technical perspective by examining the construction of single-model components, coupled global earth system models, and model ensembles.
When considering how the climate is experienced, I find that it is not clear how it could be experienced since it is a scientifically constructed concept. On the other hand, knowledge of this scientific concept may influence our interpretation of weather phenomena. Furthermore, there are many phases in the model-building process; each phase introduces errors and therefore uncertainty that is carried along to the subsequent phases. Observational data is used to estimate some free values in the model. Choosing which values to align with the data on the one hand and with the physical theory on the other hand requires expert opinion. It is a matter of debate whether the outcomes are trustworthy when they result from alignment with observational data, at the expense of adequate representation of the physical processes. The choices made form a source of subjective uncertainty, while the technical constraints of the chosen approach introduce errors. The concept of ‘adequacy-for-purpose’ means that a model is never adequate relative to the entire climate system, but more apt to answer some questions and less apt to answer others.
Overall, there are three important elements to remember: first, a climate model is built to gain insight into climate phenomena that are highly uncertain. Although the model includes uncertainty too, it reduces the uncertainty in the climate phenomena per se. Secondly, climate models are never ‘true’, but can be adequate for their intended purpose. Using climate model outcomes for answering questions they were not built for will result in meaningless responses. Lastly, including more models and more plausible scenarios will result in more different outcomes; if these outcomes are, on average, closer to the ‘truth’, this should not be a problem. Converging outcomes does not necessarily mean they are more correct. Obtaining more correct average answers, by evaluating more models and more scenarios, is a good practice.

De scriptie test de koppeling uit van een CME simulatiemodel met verschillende voorspellingsmodellen voor geomagnetische indices. Voor de resultaten hiervan worden dan verschillende statistische maatstaven berekend om te kwantificeren hoe goed de voorspellingen zijn na deze koppeling.

This policy report thesis explores the evolution of Anticipatory Action since its inception, tracing the roots from early pilot projects led by the German Red Cross in 2013 to the current usage across multiple countries. The research delves into the complexities of this approach, examining how it has been implemented, the lessons learned, and the potential for scaling up this initiative to ensure they become integral components of national disaster risk management frameworks.

The research identifies key trends in AA plans, highlighting the shift from small-scale pilot projects to more sustainable and widespread implementations. However, it also uncovers continuous challenges, including funding limitations, coordination issues among stakeholders, and the technical complexities linked with accurate forecasting.

In deze studie wordt met behulp van convolutionele neurale netwerken (CNN’s) een geautomatiseerd scoresysteem ontwikkeld dat radiologen ondersteunt in het opsporen en opvolgen van erosieve artrose.

Mijn scriptie onderzoekt de rol van astrologische almanakken in het dagelijks leven van de Gentenaar in de 16e en 17e eeuw. Deze kalenders, bevatten astrologische voorspellingen, en waren destijds enorm populair. Mijn onderzoek kijkt naar de sociale status en opleiding van de auteurs, de afnemers (individuen, gilden, ambachten en de overheden), en de vormen van censuur die erop werden toegepast. De kerk en staat probeerden de almanakken te reguleren vanwege hun invloed op het volk, maar ook commerciële censuur door drukkers speelde een rol. Mijn scriptie wil tonen hoe diep astrologie geworteld was in de Gentse samenleving.

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

Gehoorapparaten hebben een aanzienlijke evolutie doorgemaakt en zijn getransformeerd tot apparaten die in staat zijn tot aanzienlijke berekeningen op het oor. Naast deze berekeningen wordt verwerking met hoge eisen in het gehoorapparaat systeem uitgevoerd in een gecentraliseerd apparaat, waar meer rekenkracht beschikbaar is. Dit vereist echter(draadloze) gegevensoverdracht tussen deze apparaten, wat de batterijduur nadelig kan beïnvloeden. Verschillende strategie¨ en voor bandbreedte-efficiënte audio bronlokalisatie voor binaurale gehoorapparaten worden vergeleken. Een veelgebruikte strategie is het gebruik van audiocodecs, zoals de LC3+ codec, om de bandbreedte te minimaliseren. Hier wordt ook een bandbreedte
gecomprimeerde versie van een state-of-the-art gedistribueerd systeem onderzocht. Het coöperatieve model verwerkt eerst de microfoonsignalen lokaal voordat de functies naar de centrale processor worden verzonden voor verdere analyse. Het verlagen van de bandbreedte van het systeem impliceert een geschikte compressie van deze functies. Het onderzoek omvat verschillende optimalisaties, waaronder de kwantisatie van de ingebedde functies, aanpassingen aan de functiedimensies, evenals wijzigingen in tijd- en frequentieresoluties. In het algemeen leidden de cumulatieve aanpassingen tot een verbeterde prestatie die iets lager, maar goed vergelijkbaar was met het gecentraliseerde basismodel. Bovendien zijn proof-of-concept experimenten met kennisoverdracht en potentiële uitbreidingen van het coöperatieve model succesvol getest.

Ik heb een ruimtespectrometer ontworpen voor het monitoren van klimaatverandering die betere prestaties levert dan de state-of-the-art in elk domein. De omvang is 90 keer kleiner, waardoor de satelliet in één CubeSat-eenheid past. De ruimtelijke resolutie is beter (<5 km) voor een swathbreedte van 1000 km groter voor een totaal van 3700 km. En het geanalyseerde spectrum is veel groter.

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.

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.

Teamreflexiviteit – het vermogen van teams om gezamenlijk na te denken over doelen, strategieën en werkwijzen – kan bijdragen aan betere samenwerking en het voorspellen van teamdynamiek.

Door middel van Bayesiaanse statistiek, een statistische methode die onzekerheden in kaart brengt en voorspellingen mogelijk maakt, kunnen wetenschappers inzicht krijgen in hoe teamreflexiviteit zich ontwikkelt tijdens de levenscyclus van een project. Het onderzoek toont aan dat dit proces niet lineair verloopt, maar een bergparabolische vorm heeft, met pieken rondom deadlines en evaluatiemomenten. Elk aspect van teamreflexiviteit – zoals het stellen van doelen of evalueren van werkwijzen en sociale interacties – kent een eigen ontwikkelingspatroon, waarbij sommige vroeg pieken en andere later in het proces.

Uit het longitudinale onderzoek van 12 projectteams blijkt bovendien dat teams onderling sterk verschillen in hun reflexieve ontwikkeling. Dit onderzoek biedt organisaties de mogelijkheid om interventies beter te timen en teamprestaties te optimaliseren, een waardevol hulpmiddel voor succesvolle teams.

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.

Om te groeien zetten bomen koolstofdioxide (CO2) om in biomassa met behulp van
energie die ze halen uit licht (fotosynthese). Dit proces wordt ook wel koolstofvastlegging
genoemd en zo absorberen bossen zo’n 27% van de jaarlijkse wereldwijde uitstoot van
fossiele brandstoffen. CO2 is een broeikasgas dat warmte vasthoudt en door een enorme
stijging in onnatuurlijke uitstoot in de laatste decennia, zoals door industrialisatie en
ontbossing, is het een cruciale factor in klimaatverandering. Bomen absorberen niet enkel
koolstof uit de lucht, ze houden die ook vast voor een erg lange tijd, bijvoorbeeld in hun
boven- en ondergrondse biomassa. Zo’n 45% van de koolstof op aarde is opgeslagen in
bossen. Daarom bieden bossen veelbelovende toepassingen in de wereldwijde
initiatieven tegen klimaatopwarming. Het beheer van deze bossen speelt hierin een
sleutelrol, maar wetenschappers zijn het nog niet eens of het in deze context juist beter
is om bossen wel of niet te beheren. In deze thesis werden geavanceerde teledetectietechnieken gebruikt om de bovengrondse koolstofvoorraden in een Atlantisch (Nationaal
Park Brabantse Wouden, Vlaanderen, België) en Mediterraan (Catalonië, Spanje)
studiegebied te modelleren, gebaseerd op veldmetingen die als referentie dienden. Paren
en tripletten van beheerde en onbeheerde bossen werden vergeleken om vier
onderzoeksvragen te beantwoorden: 1) Is de combinatie van meerdere teledetectiebronnen superieur voor het schatten van de bovengrondse koolstofvoorraad? 2) Wat is
het effect van bosbeheer op de koolstofvoorraad? 3) Wat is het effect van bosbeheer op
koolstofvastlegging? 4) Wat is het effect van de koolstofvoorraad en het bosbeheer op de
kwetsbaarheid voor kruinbranden? De combinatie van verschillende teledetectiebronnen
bleek voordelig om koolstofopslag te voorspellen, vooral voor hoge biomassa’s. Uit de
veldgegevens in België bleek vervolgens dat onbeheerde bossen een hogere
koolstofopslag hebben dan beheerde bossen. Hoewel het bekomen model accuraat
genoeg voorspellingen maakte, werd dit verschil echter niet succesvol gedetecteerd door
het teledetectie-model, o.a. door saturatie bij signaaldetectie. In Spanje werd geen
verschil in koolstofopslag gemeten, en werd geen succesvol model verkregen. Het
gevarieerde reliëf, het tekort aan observaties en de technologische tekortkomingen
bieden hiervoor een verklaring. Vervolgens werd de koolstofopslag in België geschat voor
alle jaren tussen 2017 en 2023 volgens het finale model, om vervolgens de
koolstofvastlegging doorheen de tijd te berekenen. Hierbij werd geen verschil gevonden
tussen beheerde en onbeheerde bossen, mogelijks omdat ze nog niet lang genoeg
onbeheerd waren of het verschil niet gedetecteerd werd door teledetectie. Klimaatrampen
zoals bosbranden vormen een grote bedreiging voor de koolstofopslag in bossen, zeker
in droogtegevoelige regio’s zoals Spanje. In dit studiegebied werd een kwalitatieve
analyse gedaan naar het verband tussen koolstofopslag, bosbeheer, en de gevoeligheid
voor kruinbranden (waarbij het vuur zich via de kruin aan hoge snelheid verspreidt).
Beheerde bossen zijn over het algemeen minder gevoelig voor kruinbranden, maar er
werd geen verband gevonden met de totale koolstofopslag. Echter, hoe meer biomassa
in kleine bomen opgeslagen is, hoe gevoeliger, omdat het vuur via deze lage vegetatie
de kruin kan bereiken. Verder onderzoek naar de invloed van concrete beheersregimes
kan leiden tot meer specifieke beheersrichtlijnen.

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.

Human T-cell leukaemia virus type 1 (HTLV-1) is a major problem in highly endemic regions and is the causative agent for adult T-cell leukaemia and HTLV-1-associated myelopathy/tropical spastic paraparesis. To date, no cure is available for either of these diseases, yet prevention of HTLV-1 infection has proven to be a viable option. The HTLV-1 reverse transcriptase (RT) enzyme provides an interesting drug target due to its vital function in the viral replication. In this thesis, we aim to obtain the structure of HTLV-1 RT via single-particle cryogenic electron microscopy (cryo-EM) and gain insight into the mechanisms it employs to perform its DNA polymerase function. In the first part, an extensive analysis was conducted on phylogeny, gene ontology, and homology, where we found HTLV-1 RT to have great similarity to both human immunodeficiency virus type 1 RT and human endogenous retrovirus K RT. Following this, a physiologically relevant model of HTLV-1 RT in complex with a nucleic acid dimer was constructed and used in an antiviral compound docking study. In the second part, multiple plasmids were designed to express HTLV-1 RT in various forms and were transformed into multiple Escherichia coli (E. coli) strains for recombinant protein expression. After induction, HTLV-1 RT was isolated using nickel-histidine affinity chromatography. Here, the recombinant protein yield remained very low, which prompted us to perform an in-depth analysis of the HTLV-1 RT encoding mRNA. Via RT-qPCR, significant variation in mRNA expression levels between constructs was observed, but the presence of HTLV-1 RT encoding mRNA was confirmed. In silico RNA folding of the HTLV-1 RT mRNA suggested the occurrence of a highly stable GC-rich hairpin loop at the 5’ end of the mRNA. In conclusion, we substantiated the link between HIV-1 RT and HTLV-1 RT necessary to validate the effort in
screening anti-HIV-1 RT compounds against HTLV-1 RT. Furthermore, by docking these compounds into a physiologically relevant in silico model of HTLV-1 RT, we showed that some of those would favourably bind to HTLV-1 RT’s polymerase active site with sub-nanomolar affinity. Additionally, we successfully expressed and isolated HTLV-1 RT in low quantities. This low yield is most likely explained by the presence of a highly stable GC-rich hairpin loop at the 5’ end of the mRNA, reducing the ribosomes' binding capacity for successful translation. Although we succeeded in expressing HTLV-1 RT, higher quantities are required to perform structural studies. In the future, once sufficient protein is obtained, a high-resolution model of HTLV-1 RT can be constructed, which will allow for high-throughput drug screening and the development of HTLV-1 RT-specific drugs, for which there is a great need.

In deze masterproef werd de invloed van leerkrachtkenmerken (e.g. voorlezen met/zonder wiskundig doel) en prentenboekkenmerken (e.g. wiskundig of niet-wiskundig prentenboek) op de kwantiteit en kwaliteit van de gestelde wiskundige vragen tijdens het voorlezen van prentenboeken in kaart gebracht. Onze resultaten tonen aan dat kleuterleerkrachten meer wiskundige vragen stellen wanneer ze een wiskundig prentenboek voorlezen en wanneer ze voorlezen met het doel om de wiskundige ontwikkeling te stimuleren. Daarentegen blijken het voorleesdoel van de leerkracht en het soort prentenboek dat voorgelezen wordt niet van invloed op de kwaliteit van de gestelde wiskundige vragen.

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.

AI kan de orthopedische zorg versnellen door snel en accuraat 3D-modellen te genereren uit CT-scans, waardoor de noodzaak voor annotatiewerk door experts wordt verminderd en er meer tijd vrijkomt voor andere cruciale taken.

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.

Beleidsmakers baseren zich op dit moment op groene groei, maar dat botst op veel kritiek. Ecologisch economen stellen onder andere degrowth voor als alternatief. Deze scriptie onderzoekt aan de hand van macro-economische simulaties welke mate van degrowth koolstofneutraliteit haalbaarder maakt.

In deze scriptie wordt een pipeline geoptimaliseerd dat vertrekkende van publieke proteoomdata van cellijnen een model traint cellijnen te herkennen.

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

In dit kwalitatief onderzoek wordt nagegaan hoe het voorspellen van criminaliteit (predictive policing) in Nederland vorm krijgt, en hoe wij er in België van kunnen leren.

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.

In deze scriptie werd met behulp van een computationele methode de overeenkomsten en verschillen onderzocht tussen de ziekte van Alzheimer en depressie. Hiervoor werden netwerken geconstrueerd uit data dat voordien al beschikbaar was.

Analytische en numerieke studie van lichttrajecten rondom zwarte gaten die niet voorkomen in Algemene Relativiteit. Hieruit halen we fotonringen, om hun breedte te bestuderen en te vergelijken met de voorspellingen van Algemene Relativiteit. Het doel is deze fotonringen te halen uit foto's van zwarte gaten op de horizonschaal, zoals sinds recent mogelijk is met de Event Horizon Telescope.

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?