Keuzevakken / Electives

We offer many of our courses as electives. You might be interested to take these if you've already done some programming courses and are looking to deepen your skills. Do make note of entry requirements listed in the course catalogue. Course registration is done via GLASS.

Sommige van onze vakken kun je doen buiten een minor om. Bijvoorbeeld als je al enkele programmeervakken hebt gevolgd en verdieping zoekt. Let wel op de ingangseisen in de studiegids. Inschrijven doe je via GLASS.

Electives package:
Scientific Programming
(3-12ec)

Would you like to learn to program in order to support your thesis project? Are you thinking to do data analysis, visualisation or other computational techniques during your master's? Take our Scientific Programming courses to learn to do Scientific Programming in Python.

Electives package:
Machine Learning
(15-24ec)

Did you take a couple of Python programming courses in your bachelor's? Would you like to extend your programming skills with AI knowledge and get hands-on experience using ML tools? Take our Machine Learning courses and apply in your own research or build ....

Inleiding Machine Learning 1

In this course you will become familiar with the fundamentals of artificial intelligence and machine learning. We will cover a number of basic machine learning algorithms, and you will implement these yourself using Python. This is a broad introductory course, which means that we will also discuss the mathematics, mainly calculus and statistics, that are the driving force behind these algorithms. We will also discuss the philosophical and societal consequences of applying these learning systems.

1 (sep-okt) of 4 (feb-mrt)

Inleiding Machine Learning 2

In this course we continue our discussion of machine learning models and algorithms. While the focus in Introduction to Machine Learning 1 was on programming basic models, here we will make more use of libraries that provide ready-made algorithms, and the focus will mainly be on how to combine these parts into more complex models, like neural networks. You will apply these advanced models to real-life data sets. We will also cover common preprocessing operations for data.

2 (nov-dec) of 5 (apr-mei)

Collectieve Intelligentie

Voor studenten met een goede kennis van Python. (Dutch)

In dit vak gaan we je leren hoe je dit soort informatie kan verkennen, verwerken, hoe je middels analyse interessante aspecten kunt vinden, en hoe je deze informatie kunt gebruiken om een recommender- of rankingsysteem te maken. In de eerste vijf weken leer je de technieken die nodig zijn om een recommender system te bouwen. Daarna krijg je in een groepsopdracht de ruimte om deze technieken toe te passen op een case en je creativiteit de vrije loop te laten.

20 uur per week, in april-mei

Datarepresentaties, tools en technieken

In deze cursus bouw je je eigen toolbox voor het oplossen van programmeerproblemen. Je leert over UNIX, en je leert over gestructureerde databestanden zoals JSON en CSV. Maar je gaat ook aan de slag met ongestructureerde gegevens die je kunt vinden in tekstbestanden. Je leert over netwerken en het internet, en je gaat aan de slag met databases. Allerhande kennis die je nodig hebt om real-life programmeerproblemen op te lossen.

20 uur per week

Introduction to Machine Learning 1

In this course you will become familiar with the fundamentals of artificial intelligence and machine learning. We will cover a number of basic machine learning algorithms, and you will implement these yourself using Python. This is a broad introductory course, which means that we will also discuss the mathematics, mainly calculus and statistics, that are the driving force behind these algorithms. We will also discuss the philosophical and societal consequences of applying these learning systems.

1 (sep-okt) of 4 (feb-mrt)

Introduction to Machine Learning 2

In this course we continue our discussion of machine learning models and algorithms. While the focus in Introduction to Machine Learning 1 was on programming basic models, here we will make more use of libraries that provide ready-made algorithms, and the focus will mainly be on how to combine these parts into more complex models, like neural networks. You will apply these advanced models to real-life data sets. We will also cover common preprocessing operations for data.

2 (nov-dec) of 5 (apr-mei)

Programmeren 1

Dit vak begint bij het begin. Je leert over programmeren in het algemeen, en je leert programmeren in een specifieke programmeertaal. Je maakt kennis met allerlei technieken voor het omzetten van een probleemomschrijving naar een programma dat het probleem oplost. Je leert over het verband tussen de computer en de programma’s die er op draaien. De opdrachten zijn klein maar bouwen snel op, en gaan over bijvoorbeeld biologie, cryptografie, en digitaal forensisch onderzoek.

20 uur per week

Programmeren 2

Nu je kunt programmeren, doe je ervaring op met het schrijven van grotere programma’s. Je gaat aan de slag met algoritmen en datastructuren, en leert hoe je op verschillende manieren programma’s kunt schrijven. Daarnaast leer je over object-oriëntatie, een manier om grotere programma’s te structureren en overzichtelijk te houden.

20 uur per week

Scientific Programming 1

In this course you’ll learn Python, a programming language that is increasingly used by scientists from all fields of study. We focus on the absolute basics of programming, which you will learn while doing programming problems from several scientific areas.

Scientific Programming 2

This course continues the problem solving curriculum from Scientific Programming 1. You’ll work on larger programs and get to know Python a lot better, so you get ready to learn more programming techniques on your own.

Data Processing

In this course you’ll build your own toolkit of useful programs with which you can read, transform and analyse data that you might find in various scientific areas. Before starting this course, you need a thorough understanding of Python!

Copyright 2020-2024 Programming Lab / Universiteit van Amsterdam. Alle rechten voorbehouden. Icons made by Eucalyp from www.flaticon.com.