Basics of Machine Learning

2026-2027

Algemene informatie

Vakcode XB_0180
Studiepunten 6 EC
Periode P1
Vakniveau 200
Onderwijstaal Engels
Faculteit Faculteit der Bètawetenschappen
Vakcoördinator dr. Z. Işik MSc
Examinator dr. Z. Işik MSc
Docenten dr. Z. Işik MSc
dr. E.M.A.L. Beauxis Aussalet

Praktische informatie

Voor dit vak moet je zelf intekenen. De inteken- en afmeldtermijnen staan op VU.nl

Onderwijsvorm Werkcollege, Hoorcollege

Doelgroepen

Dit vak is ook toegankelijk als:

Dit vak wordt in het Engels aangeboden. Omschrijvingen kunnen daardoor mogelijk alleen in het Engels worden weergegeven.

Doel vak

Na succesvolle afronding van deze cursus kunnen studenten:

  1. De workflow van machine learning en de principes van belangrijke modelfamilies begrijpen, waaronder lineaire modellen, beslissingsbomen, neurale netwerken en onbegeleide leermethoden. (Kennis en begrip)
  2. De output van machine learning interpreteren en evalueren, waarbij prestatie- en validatieconcepten worden gebruikt om de betrouwbaarheid, beperkingen en geschiktheid van modellen in toegepaste contexten te beoordelen. (Analyseren en evalueren)
  3. Kritisch reflecteren op de implicaties van op machine learning gebaseerde beslissingen, inclusief hoe modelontwerp, datakwaliteit en implementatie de beroepspraktijk en bredere maatschappelijke resultaten kunnen beïnvloeden. (Evalueren en creëren)

Inhoud vak

Machine learning is een subgebied van kunstmatige intelligentie dat zich richt op het leren van patronen uit data door computersystemen en het gebruiken van deze patronen ter ondersteuning van voorspellingen en beslissingen, in plaats van uitsluitend te vertrouwen op expliciet geprogrammeerde regels. Machine learning-technologieën worden steeds vaker toegepast in diverse domeinen, waaronder recht, geneeskunde, economie en taalgerelateerde vakgebieden.


Deze cursus biedt een fundamentele introductie tot machine learning, met de nadruk op conceptueel begrip van algoritmen en praktische interpretatie van de resultaten. De cursus behandelt de volledige workflow van machine learning, inclusief probleemformulering, datarepresentatie, modeltraining, evaluatie en interpretatie.


Studenten maken kennis met de meest gebruikte families van machine learning-modellen, zoals lineaire modellen, beslissingsbomen, neurale netwerken en onbegeleide leermethoden. Voor elk modeltype bespreekt de cursus typische gebruiksscenario's, sterke punten, beperkingen en aandachtspunten voor interpretatie.


Er wordt aandacht besteed aan het begrijpen hoe modeluitkomsten moeten worden gelezen, vergeleken en kritisch beoordeeld in de praktijk. De cursus plaatst machine learning ook in een bredere maatschappelijke context. Studenten onderzoeken hoe modelkeuzes, evaluatiecriteria en grootschalige implementatie van invloed kunnen zijn op besluitvormingsprocessen en maatschappelijke uitkomsten, waarbij de blijvende rol van menselijk oordeel en verantwoordelijkheid wordt benadrukt.

Aanvullende informatie onderwijsvormen

De cursus bestaat uit:

  • Theoretische colleges (2 uur) met de nadruk op conceptuele uitleg en illustratieve voorbeelden
  • Praktische sessies (2 uur) gericht op interpretatie, visualisatie en toegepast redeneren aan de hand van casestudies uit diverse toepassingsgebieden


Deelname aan de praktische sessies is verplicht.

De cursus wordt in het Engels gegeven.

Toetsvorm

De beoordeling bestaat uit twee onderdelen:

  • Groepsopdrachten, mogelijk met individuele cijfers
  • Eindexamen, in de vorm van een digitaal en schriftelijk examen

Elk onderdeel telt voor 50% mee voor het eindcijfer.

Om te slagen voor de cursus moet het eindexamen minimaal een 5,5 zijn en het gemiddelde cijfer voor de groepsopdrachten minimaal een 5,5.

Er is een extra praktijksessie beschikbaar om een ​​onvoldoende groepsopdracht opnieuw te maken; de herziene cijfers kunnen individueel worden aangepast. Het herkansingsexamen heeft alleen betrekking op het eindexamen.

Literatuur

Op het cursusplatform wordt een combinatie van digitaal materiaal aangeboden, en er worden twee belangrijke naslagwerken aanbevolen:

  • Andriy Burkov, The Hundred-Page Machine Learning Book, 2019, Andriy Burkov.
  • Oliver Theobald, Machine Learning for Absolute Beginners, 2021, Scatterplot Press.

Aanvullende informatie doelgroep

Deze cursus is een kernonderdeel van de universitaire minor 'Basisprincipes van AI'. Studenten die zijn ingeschreven voor de opleidingen Informatica of Kunstmatige Intelligentie mogen zich niet voor deze cursus inschrijven vanwege aanzienlijke overlap in het curriculum.

De faculteiten die in aanmerking komen voor inschrijving zijn:

  • Academisch Centrum Tandheelkunde Amsterdam (ACTA)
  • Faculteit der Natuurwetenschappen (BETA)
  • Faculteit der Sociale Wetenschappen en Geesteswetenschappen (FSH)
  • Faculteit der Gedrags- en Bewegingswetenschappen (FBMS)
  • Faculteit der Geneeskunde (MED)
  • Faculteit der Rechtsgeleerdheid (LAW)
  • School of Business and Economics (SBE)

Overige informatie

In deze cursus mag generatieve AI (GenAI), zoals ChatGPT of vergelijkbare tools, alleen worden gebruikt voor oriëntatie en brainstormen, bijvoorbeeld om ideeën te verkennen of vragen te verduidelijken. GenAI mag niet worden gebruikt om inhoud te genereren die onderdeel wordt van de opdrachten. De opdrachten moeten volledig gebaseerd zijn op het eigen begrip, de eigen analyse en de eigen formulering van de student. Onjuist gebruik van GenAI wordt beschouwd als fraude. Indien dit wordt vastgesteld, wordt het ingediende werk of het beoordelingsresultaat ongeldig verklaard en kan de examencommissie verdere maatregelen opleggen.

Aanbevolen voorkennis

Het is ten zeerste aan te raden enige voorkennis te hebben van lineaire algebra, differentiaalrekening (beperkt tot differentiëren), kansrekening en statistiek.