Scriptiebank overzicht

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.

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.

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.

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.

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.

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.

Is it possible to predict the area-level prevalence of COVID-19 infections in Belgium by
analyzing self-reported symptoms on Twitter? This research project is about generating
estimates of the incidence of COVID-19 infections, at the municipality level, by using
Multilevel Regression Post-Stratification (MrP) to account for sampling biases in the social
media sample. At first, tweets are obtained from users based on keywords derived from
previous research, e.g., tweets mentioning fever, cough, loss of taste, fatigue, etc. Then, key
demographic and geographical features of interest are extracted using the M3 deep learning
pipeline, as well as simple self-reported characteristics, effectively transforming the
unstructured twitter sample into a survey-like object. Finally, based on these demographic
features and census characteristics, a mixed effects logistic regression model with
post-stratification according to the Belgian census is proposed to forecast the number of
infected individuals on a particular day. This study intends to contribute to the proof of
concept of a complete end to end pipeline to perform real time predictions of disease
prevalence at a granular level in a population using social media data.

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.

In deze thesis wordt een methode voorgesteld om een chemische kwantificatie van een ternair stabilisatorenmengsel te voltrekken via deep learning en FTIR-analyse. Een menselijke interpretatie wordt bemoeilijkt door een grote hoeveelheid aan pieken die niet individueel toe te schrijven zijn aan individuele stabilisatoren. Daarom wordt deep learning gebruikt om een model op te bouwen dat zelfstandig infraroodspectra kan verwerken. Ook werd geëxperimenteerd met pre-processing om de grote hoeveelheid aan data onder controle te houden.

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.

In deze thesis werd onderzocht op welke manier kan worden omgegaan met de steeds groter wordende datasets waar bedrijven tegenwoordig mee te maken krijgen. Na een theoretische studie over verschillende technieken voor de verwerking van de beschikbare dataset, werd uiteindelijk toegelegd op de techniek Deep Learning.

Er zijn twee soorten mindsets: een growth mindset (groeigericht denken) en een fixed mindset (vaststaand denken). Volgens Hymer & Gershon (2017) gaan mensen met een growth mindset veerkrachtiger om met tegenslag en staan ze meer open voor uitdagingen. Uit de gespecialiseerde literatuur blijkt dat ‘uitdagingen aangaan’, ‘doorzettingsvermogen, inzet & motivatie hebben’, ‘inspanningen leveren’ en ‘uit fouten leren’ de voornaamste kenmerken zijn die wijzen op een growth mindset. Deze kenmerken op een speelse manier stimuleren is een uitdaging, daarom heb ik ervoor gekozen om met dit onderwerp aan de slag te gaan.
Ik heb een innovatief product ontwikkeld dat bestaat uit een lessenpakket en ontdekkingskoffer. Het lessenpakket zet in op de werking van het brein in functie van het mindset-denken. De ontdekkingskoffer ondersteunt leerlingen verder in hun weg naar growth mindset aan de hand van activiteiten. Deze activiteiten stimuleren samenwerking, respectvol omgaan met elkaar en het gebruik van groeitaal. Volgens Raeijmaekers (2017) moedigt groeitaal (stimulerende taal) leerlingen aan en motiveert het leerlingen om door te zetten.
De doelgroep waarvoor ik dit uitgewerkt heb, is het vierde leerjaar van mijn stageschool omdat deze klasgroep weinig geloof heeft in eigen kunnen. Deze leerlingen zouden baat hebben bij een groeigerichte gedachtegang.
De klasleerkracht van het vierde leerjaar verwacht dat de leerlingen aangetrokken zullen zijn door mijn innovatief product. Ze verwacht bij de meeste leerlingen een positieve evolutie in growth mindset te zien. Ik had dit graag zelf uitgetest maar de uittestfase heeft niet kunnen plaatsvinden omwille van het coronavirus.
Deze bachelorproef biedt een meerwaarde omdat leerlingen gestimuleerd worden om met een groeigerichte gedachtegang hun weg te vinden naar een goed welbevinden. Dit sluit aan bij ‘inclusie’, het keuzetraject waarin ik mij verdiept heb.

Dit onderzoek gebruikt een diep neuraal netwerk om de organen van een patiënt in te tekenen op een CT-scan. Hiermee wordt het werk van de radiotherapeut-oncoloog in de radiotherapie sterk verligt.

Onderzoek naar ongesuperviseerd machinaal leren voor herkenning van slaapstadia in neonati.

Om biodiversiteitsonderzoek te bevorderen, hebben we convolutioneel neurale netwerken gebruikt om dieren op foto's te automatisch te identificeren. Hiernaast kunnen we metagegevens van een foto berekenen. Op beide taken halen we een grote nauwkeurigheid.

Door de recente successen van deep learning en artificiële neurale netwerken te combineren met de biologische kennis van onze hersenen, kunnen we nieuw licht werpen op hoe mensen leren uit nieuwe ervaringen. Deze scriptie onderzoekt target propagation, een wiskundig model over hoe neuronen hun synaptische sterkte aanpassen om leren mogelijk te maken. Op basis van netwerk modellen ontdekten we dat target propagation een vorm van Gauss-Newton optimalisatie is en dat een biologisch netwerk van piramidale neuronen een gelijkaardig gedrag als target propagation kan vertonen.

Hoe kan er meer geproduceerd worden op minder oppervlakte – indien mogelijk – zonder stijgende impact op het milieu? Binnen de precisielandbouw doet men onderzoek naar systemen die hieraan tegemoetkomen. In deze masterproef, in samenwerking met het ILVO, wordt onderzocht wat de mogelijkheid is om bestaande computervisie- technieken te combineren tot een nieuwe proof of concept voor de detectie van planten in overzichtsfoto’s van landbouwvelden gemaakt door drones.

In deze scriptie wordt er onderzocht wat er precies gaat veranderen in de bankensector door Artificiële Intelligentie. Het brengt heel veel voordelen met zich mee, dus de voordelen worden besproken. Maar het brengt ook gevaren met zich mee, dus er wordt ook gekeken naar de gevaren die ontstaan door Artificiële Intelligentie. Er wordt ook onderzocht wat de impact op de jobgelegenheid gaat zijn.

In deze scriptie worden de verschillende mogelijkheden van advertising besproken met behulp van Artificiële Intelligentie.

Eerst wordt er uitgebreid uitgelegd wat AI is en hoe het werkt, door dieper in te gaan op begrippen zoals Deep Learning, algoritmen en machine learning.

Vervolgens wordt de geschiedenis van AI besproken aan de hand van mijlpalen en kan u lezen wat deskundigen en wetenschappers voorspellen voor de komende decennia.

Dan worden verschillende toepassingen van AI in advertising besproken aan de hand van voorbeelden. De niches waarover ik schrijf zijn content creation, content curation, Programmatic, Google, Facebook, DOOHapps en chatbots.

Tenslotte kan u enkele interviews lezen met professionals uit de bedrijfswereld die al reeds AI in hun bedrijf gebruiken.

Epidemiologisch onderzoek stelt vast dat de bloedvaten op het netvlies veranderingen ondergaan ten gevolge van onder meer diabetes, beroertes en Alzheimer. Momenteel is de complexe analyse van netvliesbeelden enkel weggelegd voor gespecialiseerde artsen. In dit thesisonderzoek werd een algoritme op basis van deep learning ontwikkeld dat een deel van de analyse automatiseert: het is in staat om de twee verschillende types bloedvaten (slagader en ader) te identificeren op een foto van het netvlies zonder tussenkomst van een arts.

Hedendaagse kunstmatige intelligentie is makkelijk om de tuin te leiden. Men kan bijvoorbeeld een computerprogramma dat ontworpen is om dieren te herkennen in foto's, eenvoudig laten geloven dat een duidelijke foto van een gele schoolbus eigenlijk een foto van een struisvogel is. In mijn scriptie onderzoek ik vanwaar dit probleem komt en hoe we dit kunnen oplossen.