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 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 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.

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.

Het isoleren van zang/instrumenten uit muziek aan de hand van artificiële intelligentie. Hierbij werd onderzoek gedaan naar een nieuwe methode om audio om te zetten in een formaat dat het menselijk gehoor beter representeert en er bijgevolg voor zorgt dat de computer betere voorspellingen kan maken.