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

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.

Deze scriptie onderzoekt automatische vragen generatie door gebruik te maken van sjablonen. We extraheren sjablonen uit bestaande vragen, en we maken gebruik van Wikidata om de sjablonen in te vullen. Vervolgens schatten we de moeilijkheidsgraad van de gegenereerde vragen om een ordening te creëren van makkelijke naar moeilijke vragen.

De afgelopen jaren hebben neurale netwerken realistische spraaksynthese mogelijk gemaakt. Toch is de gegenereerde spraak vaak niet expressief en niet makkelijk te bewerken. ConEx, het model dat ik ontwikkelde, laat gebruikers toe om spraak in een bepaalde stijl te genereren, en achteraf de prosodie aan te passen.