Opleiding it ingenieur

Er wordt vaak gezegd dat data de nieuwe olie is, maar niet alle data is gelijk, noch staan grote hoeveelheden data garant voor grote waarde. Het is dankzij data analyse en machine learning dat waarde uit de verzamelde data kan gehaald worden. Machine learning wordt dan ook gezien als de motor van de vierde industriële revolutie. De wendbaarheid van bedrijven moet maximaal zijn om te kunnen blijven overleven. Het Internet of Things genereert continu data en er zijn momenteel al meer toestellen en machines die data genereren dan de gehele mensheid bij elkaar. Wie bovenop de data zit én hier machine learning succesvol op weet toe te passen, wordt de koploper en kan een hele sector op zijn kop zetten en domineren. Dit bewezen bedrijven zoals Amazon, Google, Netflix, Uber, en nog heel veel andere ondernemingen reeds met hun succesverhalen. De sleutel tot het overleven van deze nieuwe industriële revolutie is dan ook niet deze te ondergaan, maar in de bestuurderszetel te zitten door ervaring op te doen met machine learning. Naast de theoretische achtergrond, wordt daarom in deze opleiding ook aandacht besteed aan het verwerven van praktisch inzicht via hands-on ervaring. Er wordt een overzicht gegeven van de verschillende machine learning principes en technieken, de valkuilen en de best-practices. Deze opleiding zal u naast een diepgaande theoretische basis ook de essentiële praktische know-how aanleveren die u zal kunnen gebruiken om zelf met machine learning aan de slag te gaan voor uw projecten. In de cursus komen zowel clustering-, classificatie- als regressiemethoden aan bod, en worden deze toegepast op real-life data sets. We focussen in deze cursus vooral op de basisconcepten en -technieken, maar gaan ook dieper in op de toepassing ervan voor onder andere anomaliedetectie. De data extractietechnieken om deze data sets aan te leggen enerzijds en technieken om de data op te schonen en visualiseren anderzijds worden ook behandeld. In parallel met de verschillende lessen, kan je ook vrijblijvend deelnemen aan een diepgaander project waar je (alleen of in groep) alle tot dan toe geziene technieken kan combineren en gebruiken om een praktisch probleem uit de industrie op te lossen. Je werkt zelfstandig aan dit project, maar we voorzien ook 3 sessies om feedback te geven aan alle deelnemers van dit project.

This course will dive into creating interoperability across multiple servers and organizations, on multiple levels. We will learn how to carefully reuse domain models where possible, and how to define your own terms where necessary, according to the latest state of the art in Linked Data. Solid applies Linked Data on personal data management: instead of having to store user data on your own servers, you can rely on a storage provider that speaks the Solid specification. Challenges that can be solved with Linked Data arise from the moment multiple apps read and write from the same storage. Techniques will be discussed to provide cross-app interoperability across open, shared, as well as personal knowledge graphs. This course teaches you: A basic understanding of Linked Data A basic understanding of Solid A basic understanding of semantic reasoning and streaming How to publish Linked Data How to set up the Community Solid Server How to create queries over Linked Data How to design and publish Linked Data vocabularies How to generate Linked Data from non-Linked Data using RML.io How to create interoperable Linked Data in Flanders and Europe How to create a Linked Data architecture using Linked Data Fragments and Linked Data Event Streams How to validate Linked Data using SHACL and ShEx