Vak: Praktijkopdracht thema 12 credits: 8
- Vakcode
- BFVH15THM12BDC
- Naam
- Praktijkopdracht thema 12
- Studiejaar
- 2019-2020
- ECTS credits
- 8
- Taal
- Nederlands
- Coördinator
- D.R.M. Langers
- Werkvormen
-
- Opdracht
- Practicum / Training
- Toetsen
-
- Th. 12 - Praktijk - Overige toetsing
Leeruitkomsten
- Samenstellen relevante datasets, opschonen en sorteren ervan
- Kunnen kiezen tussen verschillende veel gebruikte dataminingtechnologieen
- Opzetten trainings- en testomgevingen
- Analyse van grote datasets
- Wetenschappelijk verslag schrijven
- Zelfstandig uitvoeren onderzoek
Inhoud
Tijdens dit thema wordt nader kennisgemaakt met dataminingtoepassingen en -analyses. Veel biologische datasets zijn of te groot, of bevatten te veel ruis (of beide), om in een oogopslag de biologische vraag erachter te kunnen oplossen. Door gebruik te maken van machine learning technieken kan in een grote, complexe dataset gezocht worden naar onderliggende oorzakelijke verbanden. Tijdens dit practicum wordt een openliggende onderzoeksvraag gesteld en een dataset erbij gezocht (of andersom) uit het onderzoeksportfolio van ALIFE, KC-BBE, of een ander onderzoeksinstituut, of van commerciële of publieke partners (UMCG, bedrijven). Er wordt onderzocht of, en zo ja welke, machine learning technieken de gestelde vraag kunnen beantwoorden. Deze worden vervolgens geïmplementeerd en geëvalueerd op test datasets en uiteindelijk opgeschaald en geparalleliseerd om de hele dataset te kunnen verwerken en de onderszoeksvraag te beantwoorden. Hiernaast zal aandacht worden besteed aan het inventariseren van de vraag van een cli??nt, data-preprocessing, het werken volgens de SCRUM-methodiek, en rapportage en verslaglegging.
Opgenomen in opleiding(en)
School(s)
- Instituut voor Life Science & Technology